📊 statistics

Rethinking the Win Ratio: A Causal Framework for Hierarchical Outcome Analysis

यह शोध पत्र पदानुक्रमित बहुभिन्नरूपी परिणामों (hierarchical multivariate outcomes) के लिए एक नवीन, पहचान योग्य व्यक्तिगत-स्तर के कारण प्रभाव माप का प्रस्ताव करता है जो जनसंख्या-स्तर और आदर्श व्यक्तिगत-स्तर के अनुमानों (estimands) के बीच विसंगतियों को हल करता है, यह प्रदर्शित करते हुए कि वितरणत्मक प्रतिगमन ढांचे (distributional regression framework) के भीतर निकटतम-पड़ोसी युग्मन (nearest-neighbor pairing) एक व्यावहारिक और कुशल अनुमानक प्रदान करता है जो यादृच्छिक और अवलोकनात्मक दोनों अध्ययनों पर लागू होता है।

मूल लेखक: Mathieu Even, Julie Josse

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mathieu Even, Julie Josse

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

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह तय करने की कोशिश कर रहे हैं कि एक नई दवा काम करती है या नहीं। आमतौर पर, आप एक संख्या देखते हैं: "क्या रोगी जीवित बचा?" या "क्या उनका रक्तचाप कम हुआ?" लेकिन वास्तविक जीवन जटिल है। एक मरीज जीवित तो बच सकता है लेकिन उसे स्ट्रोक आ सकता है, या वह बिना स्ट्रोक के जीवित बच सकता है लेकिन हफ्तों अस्पताल में बिता देता है।

इस जटिलता को संभालने के लिए, डॉक्टर विन रेश्यो (Win Ratio) नामक एक उपकरण का उपयोग करते हैं। इसे एक टूर्नामेंट ब्रैकेट की तरह समझें। आप एक मरीज जो दवा ले रहा है, उसे एक ऐसे मरीज के साथ जोड़ते हैं जिसने दवा नहीं ली। आप उनकी तुलना एक जज की तरह करते हैं जैसे कि एक बॉक्सिंग मैच में:

मृत्यु सबसे बुरा परिणाम है (नॉकआउट)।
स्ट्रोक दूसरा सबसे बुरा है।
अस्पताल में रुकना सबसे कम बुरा है।

यदि उपचारित मरीज का परिणाम "बेहतर" है (जैसे, स्ट्रोक के बिना बनाम स्ट्रोक के साथ), तो वे "जीतते" हैं। यदि वे बदतर होते हैं, तो वे "हारते" हैं। यदि वे समान हैं, तो यह "टाई" है। विन रेश्यो केवल जीत की संख्या और हार की संख्या का अनुपात है। यदि अनुपात अधिक है, तो दवा अच्छी है।

समस्या: "रैंडम पेयरिंग" का जाल

लेख का तर्क है कि हम वर्तमान में इन मरीजों को जिस तरह से जोड़ रहे हैं, वह त्रुटिपूर्ण है, जैसे कि एक पेशेवर धावक को एक छोटे बच्चे के साथ जोड़कर मैराथन का न्याय करने की कोशिश करना।

पुराना तरीका (पूर्ण पेयरिंग - Complete Pairing):
कल्पना कीजिए कि आपके पास 100 धावक हैं। पुराना तरीका हर उपचारित धावक को हर उपचारित न होने वाले धावक के साथ जोड़ता है। यह एक विशाल, अराजक स्थिति है।

दोष: यदि आपके समूह में बहुत बीमार और बहुत स्वस्थ लोगों का मिश्रण है, तो यह रैंडम मिश्रण सच्चाई को छिपा सकता है। आप एक बीमार उपचारित मरीज को एक स्वस्थ उपचारित न होने वाले मरीज के साथ जोड़ सकते हैं। उपचारित मरीज बुरा दिखता है, भले ही वह दवा वास्तव में उनके लिए मददगार रही हो यदि उनकी तुलना उनके जैसे ही किसी व्यक्ति से की जाती।
परिणाम: आप यह निष्कर्ष निकाल सकते हैं कि दवा बेकार है (या हानिकारक है) जबकि वास्तव में वह विशिष्ट प्रकार के लोगों के लिए काम करती है। इसे पेपर में "हैंड्स पैराडॉक्स" (Hand's Paradox) कहा गया है।

नया विचार (नियरेस्ट नेबर मैचिंग - Nearest Neighbor Matching):
लेखक एक स्मार्ट तरीका सुझाते हैं: समान की तुलना समान से करें।
रैंडम मिक्सिंग के बजाय, उपचारित मरीज को उस उपचारित न होने वाले मरीज के साथ जोड़ें जो उनके सबसे समान दिखता है (उम्र, चोट की गंभीरता, लिंग आदि में)।

उपमा: यह सेब की तुलना सेब से करने जैसा है, न कि सेब की तुलना संतरे से करने जैसा।
लाभ: यह आपको एक स्पष्ट तस्वीर देता है कि वह दवा उस विशिष्ट प्रकार के व्यक्ति के लिए क्या करती है।

बड़ी खोज: दो अलग-अलग सच्चाइयाँ

यह पेपर प्रकट करता है कि ये दोनों तरीके केवल थोड़े अलग नहीं हैं; वे दो पूरी तरह से अलग चीजें माप रहे हैं।

जनसंख्या की सच्चाई (पुराना तरीका): "यदि हम उपचारित समूह से एक रैंडम व्यक्ति और कंट्रोल ग्रुप से एक रैंडम व्यक्ति चुनें, तो किसकी जीतने की संभावना अधिक है?"
- समस्या: यह विविध आबादी में भ्रामक हो सकता है। यह कह सकता है कि "दवा बुरी है" सिर्फ इसलिए क्योंकि उपचारित समूह में अनजाने में बहुत बीमार लोग अधिक थे।
व्यक्तिगत सच्चाई (नया तरीका): "यदि हम एक विशिष्ट व्यक्ति को चुनें और कल्पना करें कि वह दवा ले रहा है बनाम नहीं ले रहा है, तो क्या वह बेहतर स्थिति में होगा?"
- समाधान: यह वही है जिसे लेखक "आइडेंटिफिएबल इंडिविजुअल-लेवल एस्टिमैंड" (Identifiable Individual-Level Estimand) कहते हैं। यह उस सवाल को पूछता है जो वास्तव में एक डॉक्टर और मरीज के लिए मायने रखता है: "क्या इस मरीज को लाभ होगा?"

समाधान: एक नया टूलकिट

लेखक इस "व्यक्तिगत सच्चाई" को सटीक रूप से गणना करने के लिए एक नया ढांचा प्रस्तावित करते हैं, भले ही डेटा अव्यवस्थित या गायब हो।

"मैचमेकर" (नियरेस्ट नेबर): वे दिखाते हैं कि यदि आप "समान की तुलना समान से" वाली रणनीति का उपयोग करते हैं, तो आपको स्वाभाविक रूप से व्यक्तिगत सच्चाई प्राप्त होती है।
"सुपर-स्कैनर" (डिस्ट्रीब्यूशनल रिग्रेशन): जब आपके पास बहुत सारे वेरिएबल्स (उम्र, वजन, रक्तचाप, आनुवंशिकी आदि) होते हैं, तो मैचिंग कठिन हो जाती है। यह दस लाख लोगों की भीड़ में जुड़वां खोजने जैसा है। लेखकों ने डिस्ट्रीब्यूशनल रैंडम फॉरेस्ट्स (Distributional Random Forests) नामक एक मशीन लर्निंग टूल विकसित किया है जो एक अत्यंत परिष्कृत स्कैनर की तरह काम करता है। यह गायब डेटा और उच्च जटिलता को संभाल सकता है और बिना मैन्युअल रूप से सबको जोड़े, "जीत की संभावना" ढूंढ सकता है।
"बायस-करैक्टर" (EIF): उन्होंने शेष त्रुटियों को दूर करने के लिए एक अंतिम गणितीय "पॉलिश" जोड़ी है, जिससे यह सुनिश्चित होता है कि परिणाम सांख्यिकीय रूप से पूरी तरह से ठोस है।

वास्तविक दुनिया का परीक्षण: मस्तिष्क की चोट का अध्ययन

उन्होंने इसका परीक्षण CRASH-3 ट्रायल पर किया, जो मस्तिष्क की चोट वाले मरीजों का एक बड़ा अध्ययन है।

पुराना तरीका: जब उन्होंने पारंपरिक "रैंडम पेयरिंग" पद्धति का उपयोग किया, तो परिणाम अनिर्णायक थे। कॉन्फिडेंस इंटरवल व्यापक थे, और वे निश्चित रूप से नहीं कह सके कि क्या दवा काम करती है।
नया तरीका: जब उन्होंने अपने नए "मैच लाइक विद लाइक" और मशीन लर्निंग तरीकों का उपयोग किया, तो परिणाम सांख्यिकीय रूप से महत्वपूर्ण (Statistically Significant) हो गए। उन्होंने पाया कि दवा का वास्तव में लाभ था, लेकिन केवल व्यक्तिगत स्तर पर देखने पर, न कि एक अस्त-व्यस्त औसत के रूप में।

मुख्य निष्कर्ष (The Takeaway)

यह पेपर चिकित्सा शोधकर्ताओं के लिए एक चेतावनी है। यह कहता है: "सब कुछ औसत करने से बचें।"

यदि आप एक विविध समूह का इलाज कर रहे हैं, तो एक साधारण औसत आपसे झूठ बोल सकता है। यह देखने के लिए कि कैसे एक उपचार व्यक्तियों को उनके समान विशेषताओं के साथ प्रभावित करता है, स्मार्ट मैचिंग और नए सांख्यिकीय उपकरणों का उपयोग करके, हम यह जानने के लिए एक सच्ची और ईमानदार तस्वीर प्राप्त कर सकते हैं कि क्या कोई उपचार वास्तव में काम करता है। यह एक पूरे ऑर्केस्ट्रा को उसके सबसे तेज वाद्य यंत्र के आधार पर आंकने और प्रत्येक संगीतकार को अपना हिस्सा बजाते हुए सुनने के बीच का अंतर है।

यहाँ शोध पत्र "Rethink the Win Ratio: A Causal Framework for Hierarchical Outcome Analysis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

क्लिनिकल ट्रायल्स और ऑब्जर्वेशनल अध्ययनों में, उपचार के मूल्यांकन में अक्सर जटिल, बहुभिन्नरूपी (multivariate), और पदानुक्रमित परिणाम (hierarchical outcomes) शामिल होते हैं (जैसे, मृत्यु, स्ट्रोक, अस्पताल में भर्ती होना)। ऐसे परिदृश्यों के लिए विन रेश्यो (Win Ratio) और जनरलाइज्ड पेयरवाइज कंपैरिजन (GPC) जैसी विधियों की सिफारिश की जाती है, जिन्हें FDA द्वारा भी मान्यता प्राप्त है। ये विधियाँ एक पूर्व-निर्धारित क्लिनिकल पदानुक्रम के आधार पर उपचार प्राप्त रोगियों और नियंत्रण (control) समूह के रोगियों के जोड़ों (pairs) की तुलना करती हैं ताकि "जीत" (Wins), "हार" (Losses), या "टाई" (Ties) निर्धारित किया जा सके।

हालाँकि, यह शोध पत्र इस बात की पहचान करता है कि इन विधियों को लागू करने के तरीके में एक गंभीर दोष है:

एस्टिमैंड मिसमैच (The Estimand Mismatch): मानक विन रेश्यो एस्टिमेटर्स ("पूर्ण युग्मन" या complete pairings का उपयोग करते हुए जहाँ प्रत्येक उपचारित रोगी की तुलना प्रत्येक नियंत्रण रोगी से की जाती है) एक जनसंख्या-स्तर के एस्टिमैंड का अनुमान लगाते हैं: $P(Y_i(1) > Y_j(0))$ , जहाँ $i$ और $j$ स्वतंत्र यादृच्छिक रोगी हैं।
आदर्श लक्ष्य (The Ideal Goal): अक्सर वांछित लक्ष्य एक व्यक्तिगत-स्तर का एस्टिमैंड होता है: $P(Y_i(1) > Y_i(0))$ , जो यह दर्शाता है कि एक विशिष्ट व्यक्ति के लिए उपचार के साथ और उपचार के बिना परिणाम की संभावना क्या होगी।
परिणाम (The Consequence): विषम (heterogeneous) आबादी में, जनसंख्या-स्तर का एस्टिमैंड व्यक्तिगत-स्तर के सत्य के विपरीत उपचार संबंधी सिफारिशें दे सकता है। उदाहरण के लिए, एक उपचार अल्पसंख्यकों के लिए बहुत फायदेमंद हो सकता है जबकि बहुसंख्यक आबादी के लिए हानिकारक हो सकता है; "पूर्ण युग्मन" दृष्टिकोण अभी भी उपचार की सिफारिश कर सकता है क्योंकि कुल तुलना में अल्पसंख्यकों की "जीत" बहुसंख्यकों की "हार" से अधिक प्रभावी हो सकती है। इस विसंगति को हैंड्स पैराडॉक्स (Hand's Paradox) के रूप में दर्शाया गया है।

2. कार्यप्रणाली (Methodology)

लेखक एक नए, पहचान योग्य (identifiable), व्यक्तिगत-स्तर के कारण एस्टिमैंड को पेश करके और मजबूत अनुमान रणनीतियों को विकसित करके इस विसंगति को हल करने के लिए एक नया 'कॉज़ल फ्रेमवर्क' प्रस्तावित करते हैं।

A. नया कॉज़ल एस्टिमैंड ( $\tau^*$ )

लेखक एक नया कॉज़ल प्रभाव माप, $\tau^*$ , परिभाषित करते हैं, जो व्यक्तिगत-स्तर के आदर्श और जनसंख्या-स्तर की वास्तविकता के बीच के अंतर को पाटता है।

परिभाषा: $\tau^* = E [ w(Y_i(1), Y_j(0)) \mid X_i = X_j ]$ , जहाँ $i$ और $j$ स्वतंत्र रोगी हैं जो समान सह-चर (same covariates) ( $X$ ) साझा करते हैं।
व्याख्या: यह उस संभावना को दर्शाता है कि $X$ विशेषताओं वाला एक उपचारित रोगी, उसी विशेषताओं ( $X$ ) वाले एक नियंत्रण रोगी के विरुद्ध "जीतता" है।
गुण:
- पहचान योग्य (Identifiable): आदर्श व्यक्तिगत-स्तर के एस्टिमैंड के विपरीत, $\tau^*$ को मानक कॉज़ल धारणाओं (SUTVA, unconfoundedness, positivity) के तहत देखे गए डेटा से अनुमानित किया जा सकता है।
- कोलैप्सिबल (Collapsible): यह सशर्त उपचार प्रभावों का औसत है, जो जनसंख्या विषमता के प्रति मजबूत है।
- स्तरीकरण (Stratification): इसे एक स्तरीकृत विन रेश्यो के रूप में देखा जा सकता है जहाँ स्ट्रेटा (strata) सूक्ष्म स्तर पर बहुत छोटे हैं (सटीक सह-चरों पर मिलान करते हुए)।

B. अनुमान रणनीतियाँ (Estimation Strategies)

लेखक $\tau^*$ का अनुमान लगाने के लिए तीन मुख्य दृष्टिकोण प्रस्तावित करते हैं:

नियरस्ट-नेबर (Nearest-Neighbor - NN) मैचिंग:
- पूर्ण युग्मन के बजाय, लेखक दिखाते हैं कि प्रत्येक उपचारित रोगी को नियंत्रण समूह में उनके निकटतम पड़ोसी (nearest neighbor) (सह-चरों के आधार पर) के साथ जोड़ने से $\tau^*$ का निरंतर अनुमान मिलता है।
- यह आरसीटी (RCTs) और ऑब्जर्वेशनल सेटिंग्स दोनों में काम करता है (पेयरिंग के लिए इनवर्स प्रोपेंसिटी वेटिंग की आवश्यकता के बिना, क्योंकि मिलान स्वाभाविक रूप से समूहों को संतुलित करता है)।
- सीमा: उच्च-आयामी (high-dimensional) सह-चर स्थानों में "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality) से प्रभावित होता है और लुप्त डेटा (missing data) के साथ संघर्ष करता है।
डिस्ट्रिब्यूशनल रिग्रेशन (प्लग-इन) (Distributional Regression - Plug-in):
- NN की सीमाओं को दूर करने के लिए, लेखक एक डिस्ट्रिब्यूशनल रिग्रेशन दृष्टिकोण प्रस्तावित करते हैं।
- केवल सशर्त माध्य (conditional means) की भविष्यवाणी करने के बजाय (जैसा कि मानक रिग्रेशन में होता है), वे "विन फंक्शन" $w$ का अनुमान लगाने के लिए परिणामों के पूर्ण सशर्त वितरण (full conditional distribution) को मॉडल करते हैं।
- वे न्युसेंस पैरामीटर्स (सह-चरों के आधार पर परिणामों के सशند वितरण) को सीखने के लिए डिस्ट्रिब्यूशनल रैंडम फॉरेस्ट (DRF) का उपयोग करते हैं।
- यह एस्टिमेटर $\tau^*$ के पहचान सूत्र में सीखे गए इन वितरणों का एक प्लग-इन है।
सेमीपैरामेट्रिक एफिशिएंट एस्टिमेटर (1-स्टेप करेक्शन) (Semiparametric Efficient Estimator - 1-Step Correction):
- न्युसेंस पैरामीटर अनुमान (जैसे फॉरेस्ट में ओवरफिटिंग या मॉडल मिसस्पेसिफिकेशन) से उत्पन्न होने वाले पूर्वाग्रह (bias) को ठीक करने के लिए, लेखक $\tau^*$ के लिए एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) को व्युत्पन्न करते हैं।
- वे एक 1-स्टेप एस्टिमेटर का निर्माण करते है जो प्लग-इन एस्टिमेटर को EIF सुधार के साथ जोड़ता है।
- यह एस्टिमेटर सेमीपैरामेट्रिक एफिशिएंसी (न्यूनतम विचरण) प्राप्त करता है और इसमें डबल रोबस्टनेस (double robustness) गुण होते हैं, जो इसे सरल मिलान या प्लग-इन विधियों की तुलना में अधिक विश्वसनीय बनाता है।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक पहचान (Theoretical Identification): यह शोध पत्र पदानुक्रमित परिणामों के लिए एक नए व्यक्तिगत-स्तर के कॉज़ल एस्टिमैंड $\tau^*$ को औपचारिक रूप से परिभाषित करता है, जो पारंपरिक विन रेश्यो द्वारा लक्षित जनसंख्या-स्तर के एस्टिमैंड से भिन्न है।
पेयरिंग की कॉज़ल व्याख्या: यह पेयरिंग रणनीतियों और एस्टिमैंड के बीच एक कठोर कॉज़ल लिंक स्थापित करता है:
- पूर्ण युग्मन (Complete Pairing) $\rightarrow$ जनसंख्या-स्तर के $\tau_{pop}$ का अनुमान लगाता है।
- निकटतम-पड़ोसी युग्मन (Nearest-Neighbor Pairing) $\rightarrow$ व्यक्तिगत-स्तर के $\tau^*$ का अनुमान लगाता है।
नवीन अनुमान ढांचा (Novel Estimation Framework): यह साधारण मिलान से आगे बढ़कर, विशेष रूप से पदानुक्रमित विन रेश्यो विश्लेषण के लिए डिज़ाइन किए गए पहले डिस्ट्रिब्यूशनल रिग्रेशन और सेमीपैरामेट्रिक एफिशिएंट एस्टिमेटर्स को पेश करता है।
जटिलता का प्रबंधन: प्रस्तावित विधियाँ पिछले मिलान-आधारित दृष्टिकोणों की तुलना में बहुभिन्नरूपी परिणामों (multivariate outcomes), लुप्त सह-चर डेटा, और उच्च-आयामी विशेषताओं को अधिक मजबूती से संभालती हैं।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

विषमता (Heterogeneity): विषम उपचार प्रभावों वाले सिंथेटिक डेटा में, पूर्ण युग्मन अक्सर गलत उपचार सिफारिशें देता था (ऐसे उपचार का पक्ष लेना जो केवल एक अल्पसंख्यक की मदद करता है), जबकि प्रस्तावित $\tau^*$ विधियों ने सही ढंग से समग्र लाभ की कमी या विशिष्ट उपसमूहों की पहचान की।
आयामीता (Dimensionality): जैसे-जैसे सह-चर का आयाम बढ़ा, नियरस्ट-नेबर मिलान का प्रदर्शन गिर गया (पूर्वाग्रह बढ़ गया)। डिस्ट्रिब्यूशनल रैंडम फॉरेस्ट (DRF) और EIF-ऑगमेंटेड विधियाँ उच्च आयामों में भी अनबायस्ड (unbiased) और मजबूत बनी रहीं।
दक्षता (Efficiency): 1-स्टेप EIF एस्टिमेटर ने मानक मिलान और प्लग-इन रिग्रेशन की तुलना में कम विचरण (lower variance) और बेहतर कवरेज गुण प्रदर्शित किए।

CRASH-3 ट्रायल पर अनुप्रयोग

लेखकों ने अपने तरीकों को CRASH-3 ट्रायल (ट्रॉमेटिक ब्रेन इंजरी वाले 12,000+ रोगी जिन्हें ट्रानेक्समिक एसिड दिया गया था) पर लागू किया।

पारंपरिक विधियाँ: पूर्ण युग्मन और स्तरीकृत विन रेश्यो ने गैर-महत्वपूर्ण (non-significant) परिणाम दिए (कॉन्फिडेंस इंटरवल शून्य को शामिल करते हैं), जो एक स्पष्ट उपचार प्रभाव का पता लगाने में विफल रहे।
प्रस्तावित विधियाँ: निकटतम-पड़ोसी (FAMD का उपयोग करके मिश्रित डेटा के लिए) और डिस्ट्रिब्यूशनल रिग्रेशन दृष्टिकोणों ने सांख्यिकीय रूप से महत्वपूर्ण परिणाम दिए, जो प्लेसबो की तुलना में उपचार के पक्ष में संकेत देते हैं।
अंतर्दृष्टि: परिणाम बताते हैं कि जबकि पूरी आबादी पर औसत उपचार प्रभाव (ATE) शून्य है, सह-चरों (कोवेरिएट्स) को ध्यान में रखते हुए उपचार एक महत्वपूर्ण लाभ प्रदान करता है, जिसे पारंपरिक समग्र विधियों द्वारा अनदेखा कर दिया गया था।

5. महत्व (Significance)

प्रतिमान परिवर्तन (Paradigm Shift): यह शोध पत्र विन रेश्यो विश्लेषण में "पूर्ण युग्मन" के मानक अभ्यास को चुनौती देता है, यह तर्क देते हुए कि विषम आबादी में यह गलत कॉज़ल मात्रा को लक्षित करता है।
क्लिनिकल प्रासंगिकता: $\tau^*$ जैसे व्यक्तिगत-स्तर के एस्टिमैंड को लक्षित करके, प्रस्तावित ढांचा उपचार संबंधी सिफारिशों को व्यक्तिगत चिकित्सा (personalized medicine) और एक विशिष्ट रोगी प्रोफाइल के लिए लाभ की वास्तविक संभावना के साथ अधिक संरेखित करता है।
व्यावहारिक उपयोगिता: सेमीपैरामेट्रिक एफिशिएंट एस्टिमेटर्स का विकास शोधकर्ताओं को लुप्त मानों और उच्च-आयामी सह-चरों वाले वास्तविक दुनिया के ऑब्जर्वेशनल डेटा पर इन कठोर कॉज़ल विधियों को लागू करने की अनुमति देता है, जिससे पिछले मिलान-आधारित दृष्टिकोणों की सीमाएं दूर होती हैं।
नियामक प्रभाव (Regulatory Impact): विन रेश्यो विधियों के लिए FDA के समर्थन को देखते हुए, यह कार्य यह सुनिश्चित करने के लिए एक आवश्यक सैद्धांतिक और व्यावहारिक सुधार प्रदान करता है कि ये विधियाँ वैध, व्याख्या योग्य और नैदानिक रूप से सार्थक निष्कर्ष प्रदान करें।