🔢 mathematics

Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

यह शोध पत्र सापेक्ष जोखिम (रिलेटिव रिस्क), ऑड्स रेश्यो और उनके लघुगणकों (लॉग्स) के लिए दो-चरणीय अनुक्रमिक अनुमानकों (टू-स्टेज सीक्वेंशियल एस्टिमेटर्स) का प्रस्ताव करता है जो किसी भी जनसंख्या मापदंडों के लिए एक लक्षित माध्य-वर्ग त्रुटि (मीन-स्क्वेर एरर) की गारंटी देते हैं और एक नियंत्रित नमूना आकार अनुपात बनाए रखते हुए क्रैमर-राओ बाउंड के निकट उच्च दक्षता प्राप्त करते हैं।

मूल लेखक: Luis Mendo

प्रकाशित 2026-03-06✓ Author reviewed ⓘ

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luis Mendo

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो दो अलग-अलग समूहों के लोगों से जुड़े एक रहस्य को सुलझाने की कोशिश कर रहे हैं। आइए उन्हें टीम A और टीम B कहें।

आपका लक्ष्य यह पता लगाना है कि एक विशिष्ट घटना (जैसे सर्दी लगना, या कोई उत्पाद खरीदना) टीम B की तुलना में टीम A में होने की कितनी अधिक संभावित है। सांख्यिकी (statistics) में, हम इसे सापेक्ष जोखिम (Relative Risk) कहते हैं। आप "ऑड्स रेशियो" (Odds Ratio) के बारे में भी जानना चाह सकते हैं, जो उसी तुलना को मापने का एक थोड़ा अलग तरीका है, या इसके "लॉग" (Log) संस्करण, जो केवल संख्याओं को संभालने के लिए गणितीय बदलाव हैं।

समस्या क्या है? आपको वास्तविक संभावनाओं (probabilities) का पता नहीं है। आप केवल यह जानते हैं कि टीम A की एक संभावना $p_1$ है और टीम B की $p_2$ है, लेकिन ये संख्याएँ आपसे छिपी हुई हैं।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (निश्चित नमूना आकार - Fixed Sample Size):
कल्पना कीजिए कि आपने तय किया कि आप टीम A से ठीक 100 लोगों और टीम B से 100 लोगों का साक्षात्कार लेंगे, चाहे कुछ भी हो जाए।

दोष: यदि घटना बहुत दुर्लभ है (जैसे लॉटरी जीतना), तो 100 लोगों का साक्षात्कार करने से आपको एक अच्छा अनुमान लगाने के लिए पर्याप्त "सफलताएं" नहीं मिल सकती हैं। आपका अनुमान अस्थिर होगा। यदि घटना बहुत आम है, तो हो सकता है कि आपने उससे कहीं अधिक लोगों का साक्षात्कार लिया हो जिसकी आपको आवश्यकता थी, जिससे समय और पैसा बर्बाद हुआ।
जोखिम: आप यह गारंटी नहीं दे सकते कि आपका उत्तर हर स्थिति के लिए पर्याप्त सटीक होगा।

नया तरीका (इस शोध पत्र का समाधान):
लेखक, लुइस मेंडो (Luis Mendo), एक स्मार्ट, दो-चरणीय जासूसी रणनीति का प्रस्ताव देते हैं जो चलते समय खुद को ढाल लेती है। इसे एक वीडियो गेम की तरह समझें जहाँ आप पिछले स्तर के आधार पर अपने उपकरण अपग्रेड करते हैं।

चरण 1: "स्काउट" मिशन (पहला चरण)

आप स्काउट्स की एक छोटी टीम को दोनों टीम A और टीम B में भेजते हैं। आप तब तक नहीं रुकते जब तक कि आपको सफलताओं (जैसे 5 लोग बीमार हुए) की एक विशिष्ट संख्या न मिल जाए।

क्यों? यह आपको एक त्वरित, मोटा अनुमान देता है कि दोनों समूहों में घटना कितनी सामान्य है।
जादू: क्योंकि आप सफलताओं के आधार पर रुकते हैं (न कि लोगों की एक निश्चित संख्या के आधार पर), आपको घटना की दुर्लभता का एक विश्वसनीय "अहसास" मिलता है, भले ही वह बहुत दुर्लभ क्यों न हो।

चरण 2: "मुख्य मिशन" (दूसरा चरण)

अब, आप देखते हैं कि स्काउट्स ने क्या पाया।

यदि घटना दुर्लभ है: तो आप जानते हैं कि एक अच्छा उत्तर पाने के लिए आपको और अधिक लोगों का साक्षात्कार करने की आवश्यकता होगी।
यदि घटना आम है: तो आप जानते हैं कि आपको बहुत अधिक लोगों की आवश्यकता नहीं है।
समायोजन: यह शोध पत्र यह गणना करने के लिए एक गणितीय सूत्र प्रदान करता है कि आपको प्रत्येक समूह में कितने अधिक लोगों का साक्षात्कार करने की आवश्यकता है ताकि एक विशिष्ट सटीकता लक्ष्य (accuracy target) प्राप्त किया जा सके (मान लीजिए, "मैं चाहता हूँ कि मेरा उत्तर सत्य के 5% के भीतर हो")।

महत्वपूर्ण रूप से, यह सूत्र आपकी टीमों के अनुपात (ratio) को भी नियंत्रित करने देता है। हो सकता है कि आपके पास टीम B की तुलना में टीम A में दोगुने लोग उपलब्ध हों। गणित यह सुनिश्चित करता है कि आप अपने संसाधनों का कुशलतापूर्वक उपयोग करें ताकि आप अपने सटीकता लक्ष्य को प्राप्त करते हुए समय और संसाधन बर्बाद न करें।

डेटा एकत्र करने के दो तरीके

यह शोध पत्र डेटा एकत्र करने के दो तरीकों को भी कवर करता है:

एलिमेंट सैंपलिंग (एक-एक करके): आप व्यक्तियों का एक-एक करके साक्षात्कार लेते हैं। जैसे ही आपको टीम A से एक और व्यक्ति की आवश्यकता होती है, आप एक को ले लेते हैं। यह सबसे कुशल तरीका है लेकिन इसके लिए आपको किसी भी समय रुकने और शुरू करने में सक्षम होना चाहिए।
ग्रुप सैंपलिंग (बैच में): कल्पना कीजिए कि आप केवल पूर्व-पैकेज किए गए समूहों (जैसे, टीम A से 10 लोगों की एक बस और टीम B से 10 लोगों की एक बस) में लोगों का साक्षात्कार ले सकते हैं।
- चुनौती: आपको टीम A से 12 लोगों की आवश्यकता हो सकती है, लेकिन बस केवल 10 लोग लाती है। आप बस लेते हैं, 10 लोगों का साक्षात्कार लेते हैं, और फिर शेष 2 को प्राप्त करने के लिए अगली बस का इंतजार करने के लिए मजबूर होते हैं।
- शोध पत्र का समाधान: लेखक दिखाते हैं कि इन "बचे हुए" लोगों को कैसे संभालना है। प्रक्रिया के अंत में, हो सकता है कि आपके पास कुछ अतिरिक्त लोग हों जिनकी आपको आवश्यकता नहीं है (जिन्हें आप विनम्रता से घर भेज देते हैं), लेकिन गणित यह गारंटी देता है कि आपका अंतिम उत्तर उतना ही सटीक होगा जितना कि आपने एक-एक करके उनका साक्षात्कार लिया होता।

यह एक बड़ी बात क्यों है?

सांख्यिकी की दुनिया में, एक "गोल्ड स्टैंडर्ड" है जिसे क्रैमर-राओ बाउंड (Cramér-Rao Bound) कहा जाता है। यह एक सैद्धांतिक गति सीमा की तरह है कि एक एस्टिमेटर (estimator) कितना सटीक हो सकता है।

दक्षता (Efficiency): लेखक सिद्ध करते हैं कि उनकी विधि बहुत कुशल है। यह उस गति सीमा के करीब पहुँचती है।
गारंटीकृत सटीकता: अन्य विधियों के विपरीत जो कहती हैं कि "औसतन, यह सटीक है," यह विधि कहती है, "चाहे छिपी हुई संभावनाएँ कुछ भी हों, मैं गारंटी देता हूँ कि आपकी त्रुटि इस विशिष्ट संख्या से नीचे रहेगी।"
बहुमुखी प्रतिभा: यह रिलेटिव रिस्क, ऑड्स रेशियो और उनके लॉगरिदमिक संस्करणों (जो मशीन लर्निंग और चिकित्सा अध्ययनों में उपयोग किए जाते हैं) के लिए काम करता है।

"स्मार्ट बाल्टी" की उपमा

कल्पना कीजिए कि आप दो बाल्टियों को एक विशिष्ट स्तर (आपका सटीकता लक्ष्य) तक भरने की कोशिश कर रहे हैं।

बाल्टी A में एक रिसाव है (सफलता की कम संभावना)।
बाल्टी B में एक छोटा छेद है (सफलता की उच्च संभावना)।

पुराना तरीका: आप दोनों में 10 मिनट तक बिल्कुल एक ही समय के लिए पाइप से पानी डालते हैं। बाल्टी A खाली हो सकती है, और बाल्टी B भर कर बह सकती है। आप विफल रहे।

इस शोध पत्र का तरीका:

स्काउट: आप यह देखने के लिए थोड़ा पानी डालते हैं कि बाल्टियाँ कितनी तेजी से भरती हैं।
समायोजन: आप देखते हैं कि बाल्टी A तेजी से लीक हो रही है, इसलिए आप पाइप की धार तेज कर देते हैं। आप देखते हैं कि बाल्टी B पानी को अच्छी तरह से रोक रही है, इसलिए आप धार कम कर देते हैं।
रुकना: आप ठीक तब रुकते हैं जब दोनों बाल्टियाँ सही स्तर तक पहुँच जाती हैं।
ग्रुप कंस्ट्रेंट: यदि आप केवल 5-गैलन के जग से पानी डाल सकते हैं (ग्रुप सैंपलिंग), तो आप बाल्टी B में थोड़ा अतिरिक्त पानी डाल सकते हैं, लेकिन गणित यह सुनिश्चित करता है कि आप न्यूनतम बर्बादी के साथ लक्ष्य स्तर तक पहुँचें।

सारांश

यह शोध पत्र सांख्यिकीविदों और डेटा वैज्ञानिकों को दो समूहों की तुलना करने के लिए एक सार्व通用 टूलकिट (universal toolkit) प्रदान करता है। चाहे आप एक नए टीके का परीक्षण कर रहे हों, मार्केटिंग डेटा का विश्लेषण कर रहे हों, या एक AI को प्रशिक्षित कर रहे हों, यह विधि सुनिश्चित करती है कि आपको बिना समय या पैसा बर्बाद किए सबसे सटीक उत्तर मिले, और यह तब भी काम करता है जब आप बैचों में डेटा एकत्र करने के लिए मजबूर होते हैं। यह अनुमान लगाने के खेल को एक सटीक विज्ञान में बदल देता है।

यहाँ लुइस मेंडो (Luis Mendo) के शोध पत्र "Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र दो स्वतंत्र जनसंख्याओं से प्राप्त चार प्रमुख मापदंडों (parameters) के अनुमान लगाने की सांख्यिकीय चुनौती का समाधान करता है, जिनकी अज्ञात बाइनरी सफलता प्रायिकताएँ (binary success probabilities) $p_1$ और $p_2$ हैं:

सापेक्ष जोखिम (Relative Risk - RR): $\theta = p_1/p_2$
लॉग सापेक्ष जोखिम (Log Relative Risk - LRR): $\Theta = \log(p_1/p_2)$
ऑड्स रेशियो (Odds Ratio - OR): $\psi = \frac{p_1(1-p_2)}{p_2(1-p_1)}$
लॉग ऑड्स रेशियो (Log Odds Ratio - LOR): $\Psi = \log\left(\frac{p_1(1-p_2)}{p_2(1-p_1)}\right)$

मुख्य बाधाएं और आवश्यकताएं:

गारंटीकृत सटीकता (Guaranteed Accuracy): अनुमानकों (estimators) को यह सुनिश्चित करना चाहिए कि लॉगरिदमिक मापदंडों के लिए माध्य वर्ग त्रुटि (Mean Square Error - MSE), या गैर-लॉगरिदमिक मापदंडों के लिए सापेक्ष MSE, पूर्व-निर्धारित लक्ष्य मान $A$ से कम हो, चाहे $p_1$ और $p_2$ के वास्तविक मान कुछ भी हों (जहाँ $p_1, p_2 \in (0,1)$ )।
नियंत्रित नमूना आकार अनुपात (Controlled Sample Size Ratio): दो जनसंख्याओं से औसत नमूना आकारों के बीच का अनुपात ( $E[N_1]/E[N_2]$ ) एक निर्धारित अनुपात $\lambda$ के निकट होना चाहिए।
नमूनाकरण मोड (Sampling Modes): समाधान एलिमेंट सैंपलिंग (एक-एक करके नमूने लेना) और ग्रुप सैंपलिंग (दो जनसंख्याओं से क्रमशः $l_1$ और $l_2$ वस्तुओं वाले निश्चित आकार के बैचों में नमूने लेना) दोनों के लिए कार्य करना चाहिए।

संदर्भ: निश्चित नमूना आकार (Fixed sample sizes) सभी $p_1, p_2$ के लिए एक विशिष्ट सापेक्ष त्रुटि की गारंटी नहीं दे सकते क्योंकि अनुमानकों का विचरण (variance) प्रायिकताओं पर निर्भर करता है। इसलिए, क्रमिक नमूनाकरण (sequential sampling) आवश्यक है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित समाधान इन्वर्स बाइनोमियल सैंपलिंग (Inverse Binomial Sampling - IBS) पर आधारित एक दो-चरणीय क्रमिक नमूनाकरण (two-stage sequential sampling) ढांचे का उपयोग करता है।

A. मुख्य तंत्र: इन्वर्स बाइनोमियल सैंपलिंग (IBS)

परीक्षणों की संख्या को निश्चित करने के बजाय, IBS सफलताओं की संख्या ( $r$ ) को निश्चित करता है और आवश्यक परीक्षणों की संख्या ( $N$ ) को देखता है। $N$ , नेगेटिव बाइनोमियल वितरण (Negative Binomial distribution) का अनुसरण करता है।

चरण 1 (पायलट): प्रारंभिक नमूना आकार $M_1$ और $M_2$ प्राप्त करने के लिए निश्चित IBS मापदंडों $r_1$ और $r_2$ का उपयोग किया जाता है। यह दूसरे चरण को सूचित करने के लिए लक्षित मापदंड का एक मोटा अनुमान प्रदान करता है।
चरण 2 (परिष्करण): IBS मापदंडों $s_1$ और $s_2$ की गणना चरण 1 के परिणामों ( $M_1, M_2$ ) के आधार पर गतिशील रूप से की जाती है। ये मापदंड सटीकता की बाधा ( $A$ ) और नमूना आकार अनुपात की बाधा ( $\lambda$ ) को संतुष्ट करने के लिए चुने जाते हैं।

B. अनुमानक निर्माण (Estimator Construction)

RR और LRR के लिए:
- अनुमानक IBS से प्राप्त निष्पक्ष अनुमानकों (unbiased estimators) के अनुपात का उपयोग करता है।
- RR के लिए, अनुमानक $\hat{\theta} = \frac{(s_1-1)N_2}{s_2(N_1-1)}$ है।
- LRR के लिए, अनुमानक हार्मोनिक संख्याओं (harmonic numbers) का उपयोग करता है: $\hat{\Theta} = -H_{N_1-1} + H_{N_2-1} + H_{s_1-1} - H_{s_2-1}$ ।
- मापदंड $s_1$ और $s_2$ को उन समीकरणों के निकाय से हल किया जाता है जो यह सुनिश्चित करते हैं कि त्रुटि फलन $e(s_1, s_2) \leq A$ हो और अनुपात की बाधा पूरी हो।
OR और LOR के लिए:
- इनके लिए सीधे प्रायिकताओं के बजाय ऑड्स ( $p/(1-p)$ ) का अनुमान लगाने की आवश्यकता होती है।
- बर्नौली फैक्ट्री (Bernoulli Factory): $p_i$ वाले नमूनों से $\bar{p}_i = p_i(1-p_i)$ वाला पैरामीटर प्राप्त करने के लिए एक विशिष्ट तकनीक का उपयोग किया जाता है। यह "ऑड्स" स्पेस पर IBS का उपयोग करने की अनुमति देता है।
- दूसरा चरण प्रति जनसंख्या एक IBS प्रक्रिया (सफलताओं के लिए एक, विफलताओं के लिए एक) शामिल करता है ताकि ऑड्स के लिए निष्पक्ष अनुमानक बनाए जाset सकें।

C. बाधाओं का प्रबंधन

सटीकता: एक "त्रुटि फलन" $e(s_1, s_2)$ को इस तरह परिभाषित किया गया है कि यदि $e(s_1, s_2) \leq A$ है, तो सापेक्ष MSE (या MSE) सभी $p_1, p_2$ के लिए $A$ से नीचे रहने की गारंटी है।
नमूना आकार अनुपात: यह सुनिश्चित करने के लिए $s_1$ और $s_2$ के बीच संबंध व्युत्पन्न किया गया है कि $E[M_1+N_1] / E[M_2+N_2] \approx \lambda$ हो। इसमें पायलट डेटा के आधार पर डिज़ाइन मापदंडों ( $\gamma, \delta_1, \delta_2$ ) को हल करना शामिल है।
ग्रुप सैंपलिंग: नमूने बैचों में लिए जाते हैं। यदि एक बैच एक जनसंख्या के लिए आवश्यक मात्रा से अधिक नमूने प्रदान करता है, तो अधिशेष (surplus) को संग्रहीत किया जाता है। समूहों की कुल संख्या $G$ दोनों जनसंख्याओं की अधिकतम आवश्यकता द्वारा निर्धारित होती है।

3. मुख्य योगदान (Key Contributions)

गारंटीकृत सटीकता के साथ निष्पक्ष अनुमानक: यह शोध पत्र RR, OR और उनके लॉगरिदम के लिए ऐसे पहले अनुमानक प्रस्तावित करता है जो किसी भी $p_1, p_2 \in (0,1)$ के लिए लक्षित सटीकता (सापेक्ष या पूर्ण) की गारंटी देते हैं, जो निश्चित-नमना आकार डिजाइनों के साथ असंभव है।
नियंत्रित नमूना आकार अनुपात: यह विधि दोनों जनसंख्याओं के बीच औसत नमूना आकारों के अनुपात को स्पष्ट रूप से नियंत्रित करती है, जो नैदानिक परीक्षणों (clinical trials) और सामाजिक विज्ञानों में एक सामान्य व्यावहारिक आवश्यकता है।
एकीकृत ढांचा: एक एकल दो-चरणीय क्रमिक नमूनाकरण ढांचे को एलिमेंट सैंपलिंग और ग्रुप सैंपलिंग, साथ ही अनुपात-आधारित (RR, OR) और लॉग-आधारित (LRR, LOR) दोनों मापदंडों के लिए अनुकूलित किया गया है।
बर्नोली फैक्ट्री एकीकरण: OR और LOR के लिए, यह बाइनरी अवलोकनों को $\bar{p} = p(1-p)$ वाले नमूनों में बदलने के लिए बर्नोली फैक्ट्री तंत्र को एकीकृत करता है, जिससे कुशल क्रमिक अनुमान संभव होता है।
सैद्धांतिक सीमाएं और दक्षता विश्लेषण:
- औसत नमूना आकार और समूहों की संख्या के लिए ऊपरी सीमाएं (upper bounds) व्युत्पन्न की गईं।
- क्रैमर-राओ बाउंड (Cramér–Rao bound) के सापेक्ष अनुमान दक्षता का विश्लेषण किया गया।
- सिद्ध किया गया कि जैसे-जैसे $A \to 0$ होता है, दक्षता 1 की ओर बढ़ती है।

4. परिणाम (Results)

शोध पत्र व्यापक सैद्धांतिक विश्लेषण और मोंटे कार्लो सिमुलेशन ( $10^6$ वास्तविक रूप/realizations) के माध्यम से अपनी कार्यप्रणाली को सत्यापित करता है।

सटीकता: सिमुलेशन पुष्टि करते हैं कि सभी परीक्षण किए गए $p_1$ और $p_2$ के मानों के लिए सापेक्ष MSE (RR/OR के लिए) और MSE (LRR/LOR के लिए) सख्ती से लक्ष्य $A$ से नीचे है।
नमूना आकार अनुपात: प्राप्त औसत नमूना आकारों का अनुपात निर्धारित $\lambda$ के बहुत करीब है। विशेष रूप से छोटे $A$ के लिए विचलन न्यूनतम है।
दक्षता:
- अनुमानक अत्यधिक कुशल हैं। कम लक्ष्य त्रुटियों (जैसे, $A=0.04$ , जो 20% सापेक्ष RMSE के बराबर है) के लिए, दक्षता लगभग 80% है।
- जैसे-जैसे $A \to 0$ होता है, दक्षता 1 की ओर बढ़ती है, जिसका अर्थ है कि अनुमानक सैद्धांतिक इष्टतम (Cramér–Rao bound) के लगभग समान प्रदर्शन करते हैं।
- ग्रुप सैंपलिंग बनाम एलिमेंट सैंपलिंग: ग्रुप सैंपलिंग में थोड़ी दक्षता हानि होती है (लगभग 0.15, जब $A \in [0.01, 0.1]$ हो) क्योंकि इसके लिए दोनों जनसंख्याओं की आवश्यकताओं के अधिकतम का चयन करना पड़ता है, जिससे संभावित रूप से अधिशेष नमूने छूट जाते हैं। हालांकि, यह नमूना आकारों का एक सटीक पूर्णांक अनुपात सुनिश्चित करता है।
अनुमान सटीकता: शोध पत्र में व्युत्पन्न औसत नमूना आकार के लिए सैद्धांतिक सीमाएं सटीक और सुदृढ़ हैं, विशेष रूप से छोटे $A$ और कम प्रायिकताओं के लिए।

5. महत्व (Significance)

चिकित्सा और सामाजिक विज्ञान अनुप्रयोग: सापेक्ष त्रुटि की गारंटी देने की क्षमता महामारी विज्ञान (जैसे, वैक्सीन प्रभावकारिता परीक्षण) जैसे क्षेत्रों में अत्यंत महत्वपूर्ण है जहाँ जोखिम अनुपात का परिमाण (magnitude) पूर्ण अंतरों की तुलना में अधिक मायने रखता है। मौजूदा विधियाँ अक्सर बिना अंतर्निहित प्रायिकताओं को जाने ऐसी गारंटी देने में विफल रहती हैं।
संसाधन अनुकूलन: नमूना आकार अनुपात को नियंत्रित करके, शोधकर्ता लागत को अनुकूलित कर सकते हैं (जैसे, यदि एक जनसंख्या को भर्ती करना कठिन है, तो यह दूसरे को वांछित सांख्यिकीय शक्ति अनुपात बनाए रखने के लिए समायोजित करता है)।
मशीन लर्निंग और लॉजिस्टिक रिग्रेशन: लॉग ऑड्स रेशियो (LOR) लॉजिस्टिक रिग्रेशन का एक मौलिक मापदंड है। गारंटीकृत सटीकता और नियंत्रित नमूनाकरण के साथ एक क्रमिक अनुमानक प्रदान करना सांख्यिकीय शिक्षण सिद्धांत (statistical learning theory) में एक महत्वपूर्ण योगदान है।
सामान्यीकरण क्षमता: यह शोध पत्र प्रदर्शित करता है कि इस दृष्टिकोण को अन्य कार्यों (जैसे, $p_1 p_2$ ) के लिए विस्तारित किया जा सकता है, बशर्ते कि एक उपयुक्त त्रुटि फलन और बर्नोली फैक्ट्री का निर्माण किया जा सके।

संक्षेप में, यह शोध पत्र तुलनात्मक जोखिम मेट्रिक्स के क्रमिक अनुमान के लिए एक कठोर, व्यावहारिक और कुशल समाधान प्रदान करता है, जो निश्चित-नमना आकार डिजाइनों की सीमाओं को पार करता है और सटीकता तथा प्रयोगात्मक संसाधन आवंटन दोनों पर सटीक नियंत्रण प्रदान करता है।