📊 statistics

Lord's 'paradox' explained: the 50-year warning on the use of 'change scores' in observational data

यह शोध पत्र यह प्रदर्शित करके लॉर्ड के 50 साल पुराने विरोधाभास को हल करता है कि न तो परिवर्तन-स्कोर (change-score) तुलनाएँ और न ही बेसलाइन-समायोजित अनुवर्ती (baseline-adjusted follow-up) तुलनाएँ अवलोकनात्मक डेटा में कारण प्रभावों का विश्वसनीय रूप से अनुमान लगा सकती हैं, क्योंकि वे विशिष्ट पूर्वाग्रहों से ग्रस्त होती हैं, जिससे स्पष्ट रूप से सुपरिभाषित अनुसंधान प्रश्नों और जी-मेथड्स (g-methods) जैसे उन्नत कारण अनुमान विधियों की महत्वपूर्ण आवश्यकता पर प्रकाश पड़ता है।

मूल लेखक: Peter W. G. Tennant, Georgia D. Tomova, Eleanor J. Murray, Kellyn F. Arnold, Matthew P. Fox, Mark S. Gilthorpe

प्रकाशित 2026-01-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peter W. G. Tennant, Georgia D. Tomova, Eleanor J. Murray, Kellyn F. Arnold, Matthew P. Fox, Mark S. Gilthorpe

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "लॉर्ड्स का 'विरोधाभास' (Paradox) स्पष्टीकरण" का सरल भाषा और रोजमर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

एक बड़ा रहस्य: दो सांख्यिकीविद् (Statisticians), दो उत्तर

कल्पना कीजिए कि एक विश्वविद्यालय जानना चाहता है कि क्या डाइनिंग हॉल का खाना छात्रों का वजन बढ़ाता है, या क्या लड़के और लड़कियां अलग-अलग तरह से वजन बढ़ाते हैं। वे सितंबर में (सत्र की शुरुआत में) और फिर जून में (सत्र के अंत में) सभी का वजन करते हैं।

उन्होंने डेटा देखने के लिए दो सांख्यिकीविदों को काम पर रखा।

सांख्यिकीविद् A वजन के अंतर (difference) को देखता है। वे देखते हैं कि, औसत रूप से, लड़के और लड़कियां सितंबर में समान वजन की थीं और जून में भी समान वजन की थीं। उनका निष्कर्ष है: "कुछ नहीं बदला। आहार और लिंग का कोई महत्व नहीं है।"
सांख्यिकीविद् B अंतिम वजन को देखता है, लेकिन इस आधार पर समायोजन (adjust) करता है कि वे शुरुआत में कितने भारी थे। वे देखते हैं कि उन छात्रों के लिए जो समान वजन से शुरू हुए थे, लड़के लड़कियों की तुलना में अधिक भारी रहे। उनका निष्कर्ष है: "लड़के लड़कियों की तुलना में काफी अधिक वजन बढ़े, भले ही वे शुरुआत में एक ही आकार के थे।"

यह लॉर्ड्स का विरोधाभास (Lord's Paradox) है। यह कैसे संभव है कि दो बुद्धिमान लोग एक ही आंकड़ों को देखकर बिल्कुल विपरीत निष्कर्ष पर पहुँच जाएँ?

पेपर का समाधान: यह कोई रहस्य नहीं, बल्कि एक चेतावनी है

इस शोध पत्र के लेखक तर्क देते हैं कि यह कोई जादुई रहस्य नहीं है। यह वास्तव में एक चेतावनी का संकेत है। दोनों सांख्यिकीविद् ऐसे तरीकों का उपयोग कर रहे हैं जो अवलोकन संबंधी डेटा (observational data) में दोषपूर्ण हैं (वह डेटा जहाँ लोगों को समूहों में यादृच्छिक रूप से (randomly) नहीं बांटा जाता, जैसे लड़के बनाम लड़कियां)।

पेपर समझाता है कि "परिवर्तन" (change) एक जटिल अवधारणा है। इसे समझने के लिए, कल्पना करें कि एक चर (variable) (जैसे वजन) तीन अलग-अलग कारणों से बदल रहा है:

"आदत" का कारक (Endogenous Change): ऐसी चीजें जो स्वचालित रूप से होती हैं क्योंकि आप जहाँ से शुरू हुए थे, वहीं से जुड़ी हैं। यदि आप पहले से ही भारी हैं, तो आप स्वाभाविक रूप से भारी रह सकते हैं या बस अस्तित्व में रहने के कारण थोड़ा वजन बढ़ा सकते हैं।
"शोर" का कारक (Noise Factor/Random Change): यादृच्छिक उतार-चढ़ाव, जैसे कि एक डगमगाते तराजू पर खुद को तौलना या एक खराब रात की नींद।
"वास्तविक" कारक (Exogenous Change): किसी नई चीज़ का वास्तविक प्रभाव, जैसे कि आहार या वह प्रभाव जिसका हम अध्ययन कर रहे हैं।

लक्ष्य: हम "वास्तविक" कारक को मापना चाहते हैं। हम जानना चाहते हैं: क्या आहार ने वास्तव में वजन परिवर्तन का कारण बना, इस बात से स्वतंत्र होकर कि वे शुरुआत में कितने भारी थे?

सांख्यिकीविद् A क्यों विफल रहे ("परिवर्तन स्कोर" का जाल)

सांख्यिकीविद् A ने एक परिवर्तन स्कोर (Change Score) का उपयोग किया। यह कुछ ऐसा है: अंतिम वजन - शुरुआती वजन।

उपमा (Analogy): कल्पना कीजिए कि आप यह देखने की कोशिश कर रहे हैं कि एक पौधे की वृद्धि कितनी हुई है। आप पौधे को शुरुआत में और अंत में मापते हैं, फिर शुरुआत को अंत से घटा देते हैं।

समस्या: यदि "एक्सपोज़र" (जैसे कि लड़का होना) ने शुरुआती वजन को अधिक करने का कारण बनाया है, तो यह तरीका टूट जाता है।
पेपर का स्पष्टीकरण: जब आप शुरुआती वजन को घटाते हैं, तो आप अनजाने में एक्सपोज़र के प्रभाव को भी घटा देते हैं। यदि लड़का होना आपको भारी वजन से शुरू करने का कारण बनता है, और आप उस शुरुआती वजन को घटा देते हैं, तो आप अनिवार्य रूप से उसी चीज़ को "कैंसिल" कर रहे हैं जिसे आप मापने की कोशिश कर रहे हैं।
परिणाम: सांख्यिकीविद् A को "शून्य परिवर्तन" का परिणाम मिला क्योंकि गणित ने वास्तविक प्रभाव को रद्द कर दिया। पेपर कहता है कि अवलोकन संबंधी अध्ययनों में यह तरीका खतरनाक है क्योंकि यह अक्सर सच्चाई को छिपा देता है या गलत उत्तर देता है (जैसे यह कहना कि दवा काम कर रही है जबकि वास्तव में वह नहीं कर रही है, या इसके विपरीत)।

सांख्यिकीविद् B भी क्यों त्रुटिपूर्ण थे ("समायोजन" का जाल)

सांख्यिकीविद् B ने ANCOVA (बेसलाइन के आधार पर फॉलो-अप) का उपयोग किया। यह कुछ ऐसा है: "आइए लड़कों और लड़कियों की तुलना करें, लेकिन केवल तभी यदि वे बिल्कुल एक ही वजन से शुरू हुए थे।"

उपमा: कल्पना कीजिए कि आप देख रहे हैं कि क्या एक नया उर्वरक (fertilizer) काम करता है। आप दो पौधों को देखते हैं जो एक ही ऊंचाई के हैं। लेकिन, आपका स्केल (रूलर) थोड़ा मुड़ा हुआ है (मापन त्रुटि)।

समस्या: वास्तविक जीवन में, हमारे "शुरुआती वजन" के माप पूर्ण नहीं होते हैं। उनमें "शोर" (जैसे डगमगाता तराजू) होता है।
पेपर का स्पष्टीकरण: जब आप एक ऐसे शुरुआती माप के लिए समायोजन करने की कोशिश करते जो थोड़ा गलत है, तो गणित जटिल हो जाता है। यह प्रभाव को बढ़ा-चढ़ाकर (overestimate) दिखाने की प्रवृत्ति रखता है। ऐसा लगता है कि लड़कों ने वास्तव में जितना वजन बढ़ाया था, उससे कहीं अधिक बढ़ाया क्योंकि शुरुआती माप के "शोर" ने समायोजन को बिगाड़ दिया।
परिणाम: सांख्यिकीविद् B को एक बड़ा अंतर मिला, लेकिन पेपर सुझाव देता है कि यह अंतर मापन त्रुटियों और अन्य छिपे हुए कारकों (जैसे शारीरिक गतिविधि) के कारण बढ़ा-चढ़ाकर दिखाया गया हो सकता है जिन्हें ध्यान में नहीं रखा गया था।

निर्णय: 50 साल की चेतावनी

पेपर निष्कर्ष निकालता है कि कोई भी तरीका पूर्ण नहीं है अवलोकन संबंधी डेटा के लिए।

परिवर्तन स्कोर (Change Scores) (सांख्यिकीविद् A) प्रभाव को कम आंकते (underestimate) हैं या छिपा देते हैं, विशेष रूप से यदि एक्सपोज़र शुरुआती बिंदु को प्रभावित करता है।
समायोजन विधियाँ (Adjustment Methods) (सांख्यिकीविद् B) मापन त्रुटियों और छिपे हुए कारकों के कारण प्रभाव को बढ़ा-चढ़ाकर (overestimate) दिखाती हैं।

"आदर्श" परिदृश्य:
पेपर नोट करता है कि यदि यह एक यादृच्छिक नियंत्रित परीक्षण (Randomized Controlled Trial) होता (जैसे कि दवा परीक्षण जहाँ लोगों को समूहों में यादृच्छिक रूप से बांटा जाता है), तो दोनों तरीके ठीक से काम करते और एक ही उत्तर देते। विरोधाभास केवल "अवलोकन संबंधी" सेटिंग्स में होता है जहाँ समूह (जैसे लड़के बनाम लड़कियां) पहले से मौजूद होते हैं और उनमें पूर्व-मौजूद अंतर होते हैं।

सभी के लिए सीख

इस 50 साल पुराने पहेली का मुख्य सबक यह है: वास्तविक दुनिया के डेटा में "परिवर्तन" का विश्लेषण करते समय बहुत सावधान रहें।

अपने प्रश्न को स्पष्ट रूप से परिभाषित करें: आप वास्तव में क्या मापने की कोशिश कर रहे हैं?
साधारण घटाव (subtraction) पर भरोसा न करें: यदि समूह अलग-अलग शुरुआत करते हैं, तो "पहले" और "बाद" के बीच केवल अंतर निकालना अक्सर भ्रामक होता है।
साधारण समायोजन (adjustments) पर भरोसा न करें: यदि आपके माप अपूर्ण हैं या यदि कोई छिपे हुए कारक (जैसे व्यायाम की आदतें) परिणामों को प्रभावित कर रहे हैं, तो शुरुआती बिंदु के लिए केवल "समायोजन" करना कोई जादुई समाधान नहीं है।

पेपर सभी स्थितियों के लिए कोई एक "जादुई समाधान" नहीं देता है, लेकिन यह वैज्ञानिकों को चेतावनी देता है कि परिवर्तन को देखने के दो सबसे सामान्य तरीके अक्सर विपरीत दिशाओं में पक्षपाती होते हैं, जिससे वह भ्रम पैदा होता है जिसे हम लॉर्ड के उदाहरण में देखते हैं।

तकनीकी सारांश: लॉर्ड के 'विरोधाभास' की व्याख्या: अवलोकन संबंधी डेटा में 'परिवर्तन स्कोर' (Change Scores) के उपयोग पर 50 वर्षों की चेतावनी

समस्या विवरण
फ्रेडरिक लॉर्ड का 1967 का विरोधाभास, जिसे लॉर्ड का 'विरोधाभास' (Lord's paradox) कहा जाता है, एक निरंतर बनी रहने वाली समस्या को उजागर करता है जो अवलोकन संबंधी डेटा विज्ञान (observational data science) में विद्यमान है: एक्सपोज़र के प्रभाव का अनुमान लगाने के लिए दो स्पष्ट रूप से तर्कसंगत सांख्यिकीय दृष्टिकोण (statistical approaches) मौलिक रूप से भिन्न, और कभी-कभी विपरीत दिशा वाले परिणाम दे सकते हैं। पहला दृष्टिकोण (दृष्टिकोण 1) औसत 'परिवर्तन स्कोर' (फॉलो-अप और बेसलाइन परिणामों के बीच का अंतर, $\Delta Y = Y_1 - Y_0$ ) की तुलना एक्सपोज़र समूहों के बीच करता है। दूसरा दृष्टिकोण (दृष्टिकोण 2) बेसलाइन परिणाम की स्थिति में फॉलो-अप परिणामों की तुलना करता है (जैसे, ANCOVA)। जबकि साहित्य में लंबे समय से इस बात पर बहस होती रही है कि क्या ये विधियाँ अलग-अलग प्रश्नों का उत्तर देती हैं या क्या एक विधि श्रेष्ठ है, यह शोध पत्र तर्क देता है कि विरोधाभास इसलिए उत्पन्न होता है क्योंकि दोनों विधियाँ उन विशिष्ट, विपरीत पूर्वाग्रहों (biases) के प्रति संवेदनशील हैं जो अवलोकन संबंधी डेटा में लागू होते हैं जहाँ एक्सपोज़र रैंडमाइज्ड (randomized) नहीं होता है।

कार्यप्रणाली और वैचारिक ढांचा
लेखक 'परिवर्तन' (change) की परिभाषा को विखंडित करके और अनुदैर्ध्य डेटा (longitudinal data) में शामिल कारण पथों (causal pathways) को मैप करके इस विरोधाभास को सुलझाते हैं। वे प्रस्तावित करते हैं कि समय के साथ एक चर का परिवर्तन ( $Y_1 - Y_0$ ) तीन विशिष्ट घटकों द्वारा संचालित होता है:

अंतर्जात परिवर्तन (Endogenous Change): बेसलाइन स्थिति ( $Y_0$ ) से संबंधित ऑटोकोरिलेशन, जो पूर्व-निर्धारित प्रक्रियाओं का प्रतिनिधित्व करता है।
यादृच्छिक परिवर्तन (Random Change): क्षणिक यादृच्छिक भिन्नता, जिसमें शास्त्रीय मापन त्रुटि (classical measurement error) भी शामिल है।
बहिर्जात परिवर्तन (Exogenous Change): गैर-यादृच्छिक, गैर-अंतर्जात परिवर्तन ( $C_Y$ ) जो संभावित रूप से बेसलाइन चरों द्वारा परिवर्तनीय हो सकता है।

लेखक यह प्रतिपादित करते हैं कि अधिकांश कारण संबंधी जांचों (causal inquiries) में वास्तविक लक्षित अनुमानित (target estimand) बहिर्जात परिवर्तन पर एक्सपोज़र ( $X$ ) का प्रभाव है। वे यह दर्शाने के लिए निर्देशित अचक्रीय ग्राफ़ (Directed Acyclic Graphs - DAGs) का उपयोग करते हैं कि एक्सपोज़र और बेसलाइन परिणाम ( $Y_0$ ) के बीच का संबंध किस प्रकार उपयुक्त अनुमानित (estimand) को निर्धारित करता है। विशेष रूप से, जब $X$ , $Y_0$ का कारण बनता है (जैसा कि लॉर्ड के मूल उदाहरण में है जहाँ लिंग का वजन पर प्रभाव पड़ता है), तो लक्ष्य $Y_0$ के निश्चित स्तरों पर $Y_1$ पर $X$ का नियंत्रित प्रत्यक्ष प्रभाव (controlled direct effect) होता है।

पूर्वाग्रह की कार्यप्रणाली को प्रदर्शित करने के लिए, लेखक दोनों दृष्टिकोणों के बीच गणितीय संबंध को व्युत्पन्न करते हैं। वे दिखाते हैं कि एक परिवर्तन स्कोर विश्लेषण प्रभावी रूप से फॉलो-अप परिणाम से एक पद $[1 - \beta_1]Y_0$ को घटा देता है। उन अवलोकन संबंधी सेटिंग्स में जहाँ $X$ , $Y_0$ से संबद्ध है, यह घटाव पद पूर्वाग्रह उत्पन्न करता है जब तक कि सख्त धारणाएं (समानांतर रुझान और कोई पूर्व-सूचना न होना) पूरी न हों। इसके विपरीत, बेसलाइन की स्थिति वाला फॉलो-अप दृष्टिकोण (ANCOVA) $Y_0$ के एक रैखिक फलन (linear function) को घटाकर बहिर्जात परिवर्तन को अलग करने का प्रयास करता है। हालाँकि, यह दृष्टिकोण तब पूर्वाग्रही हो जाता है यदि $Y_0$ का मापन त्रुटिपूर्ण है (जिससे रिग्रेशन डाइल्यूशन और बढ़े हुए अनुमान प्राप्त होते हैं) या यदि संबंध गैर-रैखिक है।

लेखक लॉर्ड के मूल परिदृश्य (लिंग, बेसलाइन वजन, फॉलो-अप वजन) को दोहराते हुए सिम्युलेटेड डेटा के माध्यम से अपने सैद्धांतिक दावों को सत्यापित करते हैं। वे क्षणिक शास्त्रीय मापन त्रुटि और समय-परिवर्तनीय भ्रम (time-varying confounding जैसे शारीरिक गतिविधि) वाले परिदृश्यों का अनुकरण (simulate) करते हैं।

मुख्य परिणाम
सिमुलेशन परिणाम और सैद्धांतिक विश्लेषण निम्नलिखित निष्कर्ष प्रदान करते हैं:

विपरीत पूर्वाग्रह (Opposing Biases): रैंडमाइजेशन की अनुपस्थिति में, दोनों दृष्टिकोण विपरीत दिशाओं में पक्षपाती अनुमान उत्पन्न करते हैं। परिवर्तन स्कोर विश्लेषण तब कम या शून्य अनुमान (या विपरीत-चिह्न वाले गुणांक) प्रदान करते हैं जब एक्सपोज़र बेसलाइन परिणाम का कारण बनता है या उससे प्रभावित होता है। बेसलाइन की स्थिति वाला फॉलो-अप विश्लेषण तब बढ़े हुए अनुमान उत्पन्न करता है जब बेसलाइन परिणाम मापन त्रुटि के साथ होता है।
मापन त्रुटि की भूमिका: बेसलाइन परिणाम का त्रुटिपूर्ण मापन, ANCOVA दृष्टिकोण के लिए पूर्वाग्रह का एक महत्वपूर्ण स्रोत है। लेखक प्रदर्शित करते हैं कि बेसलाइन परिणाम के कई मापों का उपयोग इस पूर्वाग्रह को कम कर सकता है, हालांकि यह इसे पूरी तरह समाप्त नहीं कर सकता।
समय-परिवर्तनीय भ्रम (Time-Varying Confounding): जब एक समय-परिवर्तनीय भ्रम (जैसे, शारीरिक गतिविधि) मौजूद होता है जो एक्सपोज़र द्वारा प्रेरित होता है और बेसलाइन एवं फॉलो-अप दोनों परिणामों को प्रभावित करता है, तो बेसलाइन की स्थिति में सरल नियंत्रण (conditioning) विफल हो जाता है। ऐसे मामलों में, मानक ANCOVA या परिवर्तन स्कोर मॉडल पक्षपाती अनुमान देंगे, जबकि वास्तविक कारण प्रभाव को पुनः प्राप्त करने के लिए g-मेथड्स (जैसे, g-computation) की आवश्यकता होती है।
विशिष्ट स्थितियों के तहत समानता: लेखक नोट करते हैं कि परिवर्तन स्कोर विश्लेषण और बेसलाइन की स्थिति वाला फॉलो-अप विश्लेषण गणितीय रूप से समान होते हैं जब परिवर्तन स्कोर मॉडल भी बेसलाइन की स्थिति में होता है, बशर्ते कि समान धारणाएं लागू हों।

महत्व और निष्कर्ष
यह शोध पत्र निष्कर्ष निकालता है कि लॉर्ड का 'विरोधाभास' केवल एक सांख्यिकीय जिज्ञासा नहीं है, बल्कि अवलोकन संबंधी डेटा में परिवर्तन स्कोर के उपयोग के संबंध में एक मौलिक चेतावनी है। लेखक दावा करते हैं कि बिना विशिष्ट, अक्सर अप्रमाणित धारणाओं को संतुष्ट किए, बहिर्जात परिवर्तन पर एक्सपोज़र के प्रभाव का अनुमान लगाने के लिए दोनों में से कोई भी दृष्टिकोण सार्वभौमिक रूप से "सही" नहीं है।

इस कार्य का प्राथमिक महत्व इस स्पष्टीकरण में निहित है कि:

परिवर्तन स्कोर सामान्यतः अवलोकन संबंधी डेटा के लिए अनुपयुक्त हैं जहाँ एक्सपोज़र बेसलाइन परिणाम को प्रभावित करता है (या इसके विपरीत), क्योंकि वे अंतर्निहित घटाव पद के कारण बहिर्जात परिवर्तन को अलग करने में विफल रहते हैं।
ANCOVA कोई रामबाण समाधान नहीं है; यह बेसलाइन चर में मापन त्रुटि और समय-परिवर्तनीय भ्रम के प्रति अत्यधिक संवेदनशील है।
स्पष्ट रूप से परिभाषित शोध प्रश्न आवश्यक हैं। शोधकर्ताओं को यह स्पष्ट रूप से परिभाषित करना चाहिए कि वे कुल प्रभाव (total effects), प्रत्यक्ष प्रभाव (direct effects), या बहिर्जात परिवर्तन (exogenous change) में से किसका अध्ययन कर रहे हैं, और यह पहचानना चाहिए कि मानक "परिवर्तन" विश्लेषण अक्सर गैर-रैंडमाइज्ड सेटिंग्स में इन लक्ष्यों का अनुमान लगाने में विफल रहते हैं।

लेखक अनुशंसा करते हैं कि परिवर्तन स्कोर विश्लेषण को मुख्य रूप से प्राकृतिक प्रयोगों (natural experiments) या रैंडमाइज्ड ट्रायल्स के लिए आरक्षित रखा जाना चाहिए जहाँ एक्सपोज़र बाह्य (exogenous) है। अवलोकन संबंधी सेटिंग्स में, शोधकर्ताओं को सुस्पष्ट कारण मॉडलों को प्राथमिकता देनी चाहिए, मापन त्रुटि को कम करने के लिए कई बेसलाइन मापों का उपयोग करना चाहिए, और समय-परिवर्तनीय भ्रम को संबोधित करने के लिए g-मेथड्स जैसे उन्नत तरीकों को अपनाना चाहिए।