📊 statistics

Testing the Missing Completely at Random Assumption for Functional Data

यह शोध पत्र एक नवीन सांख्यिकीय परीक्षण ढांचे को प्रस्तुत करता है, जो कार्यात्मक डेटा (functional data) के लिए 'मिसिंग कम्प्लीटली एट रैंडम' (MCAR) धारणा को मान्य करने हेतु नियत विभाजन (deterministic partitions) और क्लस्टरिंग-आधारित दृष्टिकोणों, दोनों का उपयोग करता है, जो केवल अपने डोमेन के उपसमुच्चयों पर देखे जाते हैं।

मूल लेखक: Maximilian Ofner, Siegfried Hörmann, David Kraus, Dominik Liebl

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maximilian Ofner, Siegfried Hörmann, David Kraus, Dominik Liebl

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 जासूस हैं जो कहानियों के एक संग्रह के रहस्य को सुलझाने की कोशिश कर रहे हैं। ये कहानियाँ "फंक्शनल डेटा" (functional data) हैं—इन्हें निरंतर रेखाओं या वक्रों (curves) के रूप में सोचें, जैसे कि स्क्रीन पर एक रेखा खींचने वाला हार्ट रेट मॉनिटर, या एक सप्ताह में बिजली की कीमतों को दर्शाने वाला ग्राफ।

आमतौर पर, ये कहानियाँ शुरू से अंत तक सुनाई जाती हैं। लेकिन वास्तविक दुनिया में, कभी-कभी रिकॉर्डर टूट जाता है, बैटरी खत्म हो जाती है, या सेंसर भ्रमित हो जाता है। इसका मतलब है कि आपके पास केवल टुकड़े (fragments) हैं। कुछ कहानियाँ पूरी हैं; कुछ जल्दी कट गई हैं या देर से शुरू हुई हैं।

बड़ा सवाल सांख्यिकीविदों (statisticians) के लिए यह है: इन कहानियों के हिस्से क्यों गायब हैं?

मुख्य रहस्य: "मिसिंग कम्प्लीटली एट रैंडम" (MCAR)

यह शोध पत्र एक विशिष्ट धारणा पर ध्यान केंद्रित करता है जिसे मिसिंग कम्प्लीटली एट रैंडम (MCAR) कहा जाता है।

आदर्श परिदृश्य (MCAR): कल्पना कीजिए कि रिकॉर्डर एक रैंडम कॉइन फ्लिप (सिक्का उछालने) के कारण टूट गया है। हृदय गति की कहानी से कोई फर्क नहीं पड़ता; मशीन बस यूँ ही विफल हो गई। इस स्थिति में, गायब हिस्से उतने ही दिलचस्प हैं जितने कि उपस्थित हिस्से। यदि आप उन लोगों को देखते हैं जिनकी कहानियाँ पूरी हैं, तो वे पूरे समूह का केवल एक रैंडम हिस्सा हैं।
समस्या: यदि रिकॉर्डर इसलिए टूटता है क्योंकि हृदय गति बहुत अधिक हो गई थी (या बिजली की कीमतें बहुत कम हो गईं), तो गायब डेटा रैंडम नहीं है। गायब होना डेटा के अपने स्वरूप से जुड़ा हुआ है। यदि आप इसे अनदेखा करते हैं, तो आपका विश्लेषण एक बास्केटबॉल टीम की औसत ऊंचाई का अनुमान लगाने की कोशिश करने जैसा होगा, जिसमें आपने केवल उन लोगों को मापा है जो घायल नहीं हुए। आप गलत उत्तर प्राप्त करेंगे।

लंबे समय तक, सांख्यिकीविदों के पास यह जांचने का कोई अच्छा तरीका नहीं था कि क्या "गायब होना" वास्तव में रैंडम था या क्या इसमें कोई पूर्वाग्रह (bias) छिपकर आ रहा था। यह शोध पत्र इस समस्या को हल करने के लिए एक नया टूलकिट बनाता है।

जासूस का टूलकिट: सुरागों को विभाजित करना

लेखक यह परीक्षण करने के लिए कि क्या गायब होना रैंडम है, एक चतुर तरीका प्रस्तावित करते हैं। वे दो चरणों वाली एक सरल प्रक्रिया का उपयोग करते हैं:

सुरागों को छाँटना (Sort the Clues): वे सभी "अवलोकन पैटर्न" (गायब हिस्सों के आकार) को लेते हैं और उन्हें दो समूहों में विभाजित करते हैं।
- सरल तरीका: समूह 1 में "पूर्ण कहानियाँ" (Complete Stories) हैं, और समूह 2 में "टूटी हुई कहानियाँ" (Broken Stories) हैं।
- स्मार्ट तरीका: वे एक कंप्यूटर एल्गोरिदम (क्लस्टरिंग) का उपयोग करते हैं ताकि प्राकृतिक समूहों को खोजा जा सके। उदाहरण के लिए, शायद एक समूह में कहानियाँ शुरुआत से गायब हैं, और दूसरे समूह में कहानियाँ अंत से गायब हैं।
कहानियों की तुलना करना: एक बार छाँटने के बाद, वे पूछते हैं: "क्या समूह 1 की कहानियाँ समूह 2 की कहानियों से अलग दिखती हैं?"
- यदि गायब होना रैंडम (MCAR) है, तो दोनों समूहों को बिल्कुल एक जैसा दिखना चाहिए। एक समूह का गायब होना कहानी के आकार को नहीं बदलना चाहिए।
- यदि गायब होना रैंडम नहीं है, तो दोनों समूह अलग दिखेंगे। उदाहरण के लिए, यदि उच्च बिजली की कीमतें रिकॉर्डर को विफल कर देती हैं, तो "टूटा हुआ" समूह "पूर्ण" समूह की तुलना में कम कीमतें दिखाएगा।

दो मुख्य परीक्षण

शोध पत्र में इन समूहों की तुलना करने के दो तरीके पेश किए गए हैं, जैसे कि उपयोग करने के लिए दो अलग-अलग आवर्धक लेंस (magnifying glasses):

औसत परीक्षण (Mean Comparison): यह दोनों समूहों के "औसत आकार" (average shape) को देखता है। यदि "टूटे हुए" समूह का औसत हृदय गति "पूर्ण" समूह से काफी भिन्न है, तो परीक्षण अलार्म बजा देता है।
- उपमा: कल्पना कीजिए कि आप दो समूहों के लोगों की औसत ऊंचाई की तुलना कर रहे हैं। यदि एक समूह स्पष्ट रूप से लंबा है, तो कुछ गलत है कि उन्हें कैसे चुना गया।
पूर्ण चित्र परीक्षण (Full Picture Test - Distribution Comparison): यह एक अधिक शक्तिशाली, सर्वदर्शी आँख है। यह केवल औसत को नहीं देखता; यह पूरे आकार और फैलाव को देखता है। यह जाँचता है कि क्या पूरी कहानी अलग है, न कि केवल औसत।
- उपमा: औसत परीक्षण इसे मिस कर सकता है यदि "टूटे हुए" समूह में कुछ बहुत लंबे लोग और कुछ बहुत छोटे लोग हैं जो औसत को समान बनाए रखते हैं। "पूर्ण चित्र" परीक्षण यह देखता है कि क्या ऊंचाइयों की विविधता अलग है और वह समस्या को पकड़ लेता है।

वास्तविक जीवन के मामले: उन्होंने क्या पाया?

लेखकों ने अपने नए टूलकिट का परीक्षण तीन वास्तविक दुनिया के डेटासेट पर किया:

हृदय गति (एक "ऑल क्लियर"): उन्होंने 878 लोगों के हृदय गति डेटा को देखा। कुछ उपकरणों में विफलता आई, लेकिन परीक्षण ने कहा, "कोई समस्या नहीं!" गायब डेटा रैंडम लग रहा था। "टूटा हुआ" समूह और "पूर्ण" समूह के हृदय गति पैटर्न एक जैसे थे। इसने डॉक्टरों के संदेह की पुष्टि की: उपकरण बस रैंडम तरीके से विफल हो गए थे।
बिजली की कीमतें (एक "स्मोकिंग गन"): उन्होंने बिजली की कीमतों को देखा। यहाँ, परीक्षण चिल्ला उठा, "कुछ गलत है!" डेटा ने दिखाया कि जब कीमतें अधिक थीं, तो डेटा अक्सर गायब हो जाता था। "टूटा हुआ" समूह "पूर्ण" समूह की तुलना में व्यवस्थित रूप से अलग कीमतें दिखा रहा था। यह समझ में आता है: बिजली के बाजार में, उच्च मांग (और उच्च कीमतें) डेटा ट्रांसमिशन संबंधी समस्याओं का कारण बन सकती हैं। परीक्षण ने सफलतापूर्वक इस पूर्वाग्रह को पकड़ा।
तापमान सेंसर (एक "टूटा हुआ सेंसर"): उन्होंने ग्राज़, ऑस्ट्रिया के तापमान डेटा को देखा। कुछ दिनों में दिन के दूसरे भाग में डेटा गायब था। परीक्षण ने एक महत्वपूर्ण अंतर पाया, जिससे संकेत मिला कि सेंसर विशेष रूप से तब विफल हो सकता है जब बहुत गर्मी होती है (या किसी अन्य तकनीकी कारण से)। यह इंजीनियरों को यह जानने में मदद करता है कि टूटे हुए हिस्से को कहाँ देखना है।

यह क्यों मायने रखता है

इस शोध पत्र से पहले, सांख्यिकीविदों को यह अनुमान लगाना पड़ता था कि क्या उनका गायब डेटा सुरक्षित रूप से उपयोग करने योग्य है। यदि उन्होंने गलत अनुमान लगाया, तो उनके निष्कर्ष पूरी तरह से गलत हो सकते थे।

यह शोध पत्र उन्हें एक सांख्यिकीय झूठ पकड़ने वाला यंत्र (statistical lie detector) देता है। यह शोधकर्ताओं को अनुमति देता है:

विश्लेषण शुरू करने से पहले यह जांचने के लिए कि क्या उनका डेटा पक्षपाती (biased) है।
परीक्षण करने के लिए डेटा को विभाजित करने का सबसे अच्छा तरीका खोजने के लिए एक स्मार्ट कंप्यूटर विधि (क्लस्टरिंग) का उपयोग करने के लिए।
यह देखने के लिए कि डेटा वास्तव में कहाँ अलग व्यवहार कर रहा है, विजुअल टूल्स (कॉन्फिडेंस बैंड्स के साथ ग्राफ) का उपयोग करने के लिए।

संक्षेप में, लेखकों ने टूटे हुए डेटा की अव्यवस्थित वास्तविकता और स्वच्छ, विश्वसनीय सांख्यिकी की आवश्यकता के बीच एक पुल बनाया है, यह सुनिश्चित करते हुए कि जब हम कार्यात्मक डेटा का विश्लेषण करें, तो हम केवल "आसान" हिस्सों का विश्लेषण नहीं कर रहे हों जबकि "कठिन" हिस्सों को अनदेखा कर रहे हों।

तकनीकी सारांश: कार्यात्मक डेटा (Functional Data) के लिए 'मिसिंग कम्प्लीटली एट रैंडम' (MCAR) धारणा का परीक्षण

समस्या विवरण

फंक्शनल डेटा एनालिसिस (FDA) पारंपरिक रूप से यह मानता है कि अवलोकन (observations) एक सामान्य डोमेन पर उपलब्ध होते हैं। हालांकि, कई व्यावहारिक अनुप्रयोगों में, डेटा "आंशिक रूप से प्रेक्षित" (partially observed) होता है, जिसका अर्थ है कि प्रत्येक फंक्शन केवल डोमेन $I$ के एक उपसमुच्चय $O$ पर दृश्यमान है, और $I \setminus O$ पर मान अनुपलब्ध हैं। ऐसे डेटा के लिए अधिकांश मौजूदा पुनर्निर्माण और अनुमान विधियों के लिए एक महत्वपूर्ण पूर्व शर्त मिसिंग कम्प्लीटली एट रैंडम (MCAR) की धारणा है। यह धारणा यह मानती है कि प्रेक्षित फंक्शन $X$ और अवलोकन सेट $O$ स्वतंत्र हैं।

जबकि ऐसे डेटा के लिए MCAR धारणा के तहत लुप्त कार्यात्मक डेटा को पुनः प्राप्त करने के लिए कई विधियाँ मौजूद हैं (जैसे, डेलेइल और हॉल, 2016; क्रौस, 2015), इस धारणा को मान्य करने के लिए सामान्य सांख्यिकीय प्रक्रियाओं का अभाव है। मल्टीवेरिएट सेटिंग्स में MCAR के लिए मौजूदा परीक्षण (जैसे, लिटिल, 1988) विशिष्ट मिसिंगनेस पैटर्न द्वारा डेटा को समूहित करने पर निर्भर करते हैं। कार्यात्मक डेटा के लिए यह दृष्टिकोण अव्यवहारिक है क्योंकि अवलोकन सेटों की संख्या अनगिनत है, और व्यवहार में, प्रत्येक अवलोकन पैटर्न अद्वितीय हो सकता है। यह शोध पत्र इस अंतराल को भरने के लिए एक सामान्य परीक्षण ढांचे को विकसित करने पर केंद्रित है जो यह निर्धारित कर सके कि क्या $X$ और $O$ स्वतंत्र हैं।

कार्यप्रणाली

1. अवलोकन सेटों का विभाजन (Partitioning Observation Sets)

प्रस्तावित ढांचे का मुख्य आधार अवलोकन सेटों के स्थान $\mathcal{K}$ को दो विलग (disjoint) उपसमुच्चयों $\mathcal{A}$ और $\mathcal{B}$ में विभाजित करना है, ताकि $\mathcal{K} = \mathcal{A} \dot{\cup} \mathcal{B}$ हो।

एड हॉक विभाजन (Ad Hoc Partitioning): एक सरल दृष्टिकोण "पूर्ण" (complete) और "अपूर्ण" (incomplete) फंक्शनों में डेटा को विभाजित करता है।
व्यवस्थित क्लस्टरिंग (Systematic Clustering): लेखक एक सेंट्रॉइड-आधारित क्लस्टरिंग दृष्टिकोण का प्रस्ताव करते हैं। वे सिमेट्रिक डिफरेंस मेजर का उपयोग करके सेटों $S_1, S_2$ के बीच एक दूरी परिभाषित करते हैं: $d(S_1, S_2) = \lambda(S_1 \triangle S_2)$ , जो उनके इंडिकेटर फंक्शनों के बीच $L^1$ दूरी के अनुरूप है।
इष्टतम केंद्र (Optimal Centers): विभाजन को निकटतम केंद्र तक की अपेक्षित दूरी को कम करने वाले दो इष्टतम केंद्रों (मीडियन्स) $M_A$ और $M_B$ को खोजने द्वारा निर्धारित किया जाता है। सेट $\mathcal{A}$ और $\mathcal{B}$ इन केंद्रों से जुड़े वोरोनोई सेल्स (Voronoi cells) द्वारा परिभाषित किए जाते हैं।
डोमेन प्रतिबंध (Domain Restriction): वैध तुलना सुनिश्चित करने के लिए, विश्लेषण को एक उप-डोमेन $I \subset [0, 1]$ तक सीमित किया गया है जहाँ दोनों समूहों के पास पर्याप्त कवरेज हो (विशेष रूप से, $P(t \in O | \mathcal{A}) > 0$ और $P(t \in O | \mathcal{B}) > 0$ )।

2. परिकल्पना परीक्षण (Hypothesis Testing)

शून्य परिकल्पना $H_0$ (MCAR) यह निहित करती है कि $X$ और $O$ स्वतंत्र हैं। परीक्षण ढांचा एक अधिक सशक्त परिकल्पना $H_0^F$ का मूल्यांकन करता है:
$H_0^F: P(X(t) \le z | O \in \mathcal{A}) = P(X(t) \le z | O \in \mathcal{B}), \quad \forall z \in \mathbb{R}, t \in [0, 1].$
$H_0^F$ के तहत, अवलोकन सेट समूह के सापेक्ष प्रक्रिया का सशर्त वितरण समान होना चाहिए। लेखक दो टेस्ट स्टैटिस्टिक्स प्रस्तावित करते हैं:

माध्य तुलना ( $T_\mu$ ):
यह सांख्यिकी दोनों समूहों के एम्पिरिकल मीन फंक्शन्स, $\hat{\mu}_{\mathcal{A}}(t)$ और $\hat{\mu}_{\mathcal{B}}(t)$ की तुलना करती है।
$T_\mu = \sqrt{n} \| \hat{\mu}_{\mathcal{A}} - \hat{\mu}_{\mathcal{B}} \|_\infty$
लेखक स्थापित करते हैं कि MCAR के तहत, $T_\mu$ एक गौसियन प्रोसेस (Gaussian process) के सुप्रीमम (supremum) की ओर अभिसरित होता है। एक प्रमुख सैद्धांतिक योगदान यह है कि आंशिक रूप से प्रेक्षित डेटा के एम्पिरिकल मीन फंक्शन्स आम तौर पर असंतत (discontinuous/càdlàg) होते हैं, जिसके लिए $L^2[0, 1]$ या $C[0, 1]$ के बजाय स्कोरोखोड स्पेस (Skorokhod space) $D[0, 1]$ का उपयोग करना आवश्यक है।
वितरण तुलना ( $T_F$ ):
यह सांख्यिकी एम्पिरिकल कंडिशनल डिस्ट्रीब्यूशन फंक्शन्स $\hat{F}_{\mathcal{A}}(t, z)$ और $\hat{F}_{\mathcal{B}}(t, z)$ की तुलना करती है।
$T_F = n \int_{[0,1] \times \Xi} (\hat{F}_{\mathcal{A}}(t, z) - \hat{F}_{\mathcal{B}}(t, z))^2 d(\lambda \otimes \nu)(t, z)$
यह एक क्रेमर-वॉन मिसेस (Cramér–von Mises) प्रकार का सांख्यिकी है। यह दिखाया गया है कि $T_F$ , माध्य तुलना की तुलना में विकल्पों के एक व्यापक वर्ग के विरुद्ध सुसंगत (consistent) है, क्योंकि यह केवल माध्य के बजाय संपूर्ण वितरण में अंतर का पता लगाता है।

3. एसिम्प्टोटिक थ्योरी और कार्यान्वयन

लेखक शून्य परिकल्पना के तहत दोनों टेस्ट स्टैटिस्टिक्स के लिए एसिम्प्टोटिक वितरण (asymptotic distributions) प्राप्त करते हैं। सीमित वितरणों में विशिष्ट कोवेरिएंस संरचनाओं के साथ गौसियन प्रोसेस शामिल हैं जो अवलोकन पैटर्न पर निर्भर करते हैं।

कोवेरिएंस अनुमान (Covariance Estimation): लेखक शून्य वितरण को अनुमानित करने के लिए आवश्यक कोवेरिएंस फंक्शनों के लिए एस्टिमेटर्स प्रदान करते हैं।
सिमल्टेनियस कॉन्फिडेंस बैंड्स (Simultaneous Confidence Bands): मीन फंक्शनों के अंतर के लिए सिमल्टेनियस कॉन्फिडेंस बैंड्स बनाने की एक विधि पेश की गई है, जो MCAR के उल्लंघन को विज़ुअलाइज़ करने के लिए एक ग्राफिकल टूल प्रदान करती है।
सुसंगतता (Consistency): सैद्धांतिक परिणाम (थ्योरम 3) उन विकल्पों के विरुद्ध परीक्षण की सुसंगतता स्थापित करते हैं जहाँ समूहों के बीच मीन फंक्शन या डिस्ट्रीब्यूशन फंक्शन भिन्न होते हैं।

मुख्य परिणाम

सिमुलेशन अध्ययन

कार्यप्रणाली का मूल्यांकन ब्राउनियन मोशन सिमुलेशन के माध्यम से किया गया:

टाइप I एरर: MCAR के तहत, दोनों परीक्षणों ( $T_\mu$ और $T_F$ ) ने विभिन्न नमूना आकारों ( $n=100, 250, 500$ ) के लिए नाममात्र स्तर (0.05) के करीब एरर रेट बनाए रखा।
पावर (Power):
- उन परिदृश्यों में जहाँ सेंसरिंग (Missing Not At Random - MNAR) के कारण MCAR का उल्लंघन हुआ था, डिस्ट्रीब्यूशन टेस्ट $T_F$ ने मीन टेस्ट $T_\mu$ की तुलना में उच्च पावर प्रदर्शित की।
- विशेष रूप से, सममित सेंसरिंग (symmetric censoring) परिदृश्यों में जहाँ समूहों के कंडिशनल मीन्स समान थे ( $\|\mu_A - \mu_B\|_\infty = 0$ ), $T_\mu$ शून्य परिकल्पना को खारिज करने में विफल रहा, जबकि $T_F$ ने उल्लंघन का सफलतापूर्वक पता लगाया।
- व्यवस्थित क्लस्टरिंग दृष्टिकोण ने कई परिदृश्यों में, विशेष रूप से छोटे नमूना आकार के लिए, नियत (deterministic) विभाजनों (जैसे, पूर्ण बनाम अपूर्ण) की तुलना में बेहतर या तुल्य प्रदर्शन किया।

वास्तविक डेटा अनुप्रयोग

इस ढांचे को तीन डेटासेट्स पर लागू किया गया:

हार्ट रेट डेटा (स्विस किडनी प्रोजेक्ट): 878 हार्ट रेट प्रोफाइल्स का विश्लेषण। परीक्षणों ने MCAR धारणा को खारिज नहीं किया ( $p$ -वैल्यू: $T_\mu$ के लिए 0.765, $T_F$ के लिए 0.911)। यह महामारी विज्ञान के इस दृष्टिकोण का समर्थन करता है कि मिसिंगनेस (डिवाइस हटाने या विफलता के कारण) रैंडम है।
बिजली की कीमत का डेटा (Electricity Price Data): 583 साप्ताहिक प्राइस कर्व्स का विश्लेषण। परीक्षणों ने MCAR को दृढ़ता से खारिज किया ( $p < 0.001$ )। मीन डिफरेंस प्लॉट ने महत्वपूर्ण विचलन दिखाया, जो बाजार संरचना के अनुरूप है जहाँ मूल्य स्तर अवलोकन की अवधि (बड़े अवलोकन सेट उच्च कीमतों के अनुरूप होते हैं) के साथ सह-संबंधित होते हैं।
तापमान डेटा (Temperature Data): 76 दैनिक तापमान कर्व्स का विश्लेषण। परीक्षणों ने MCAR को खारिज किया ( $p$ -वैल्यू: $T_\mu$ के लिए 0.036, $T_F$ के लिए 0.054)। परिणामों ने रैंडम मिसिंगनेस के बजाय एक संभावित तकनीकी दोष (जैसे, उच्च तापमान के प्रति संवेदनशीलता या पावर संबंधी समस्या) का सुझाव दिया।

महत्व और योगदान

यह शोध पत्र निम्नलिखित योगदानों का दावा करता है:

नया ढांचा: यह कार्यात्मक डेटा के लिए MCER धारणा के लिए पहला सामान्य परीक्षण ढांचा पेश करता है, जो मल्टीवेरिएट सेटिंग्स में उपयोग किए जाने वाले पैटर्न-आधारित समूहीकरण की अव्यवहारिकता को दूर करता है।
व्यवस्थित विभाजन: यह केवल एड हॉक परिभाषाओं पर निर्भर करने के बजाय, अवलोकन सेटों को व्यवस्थित रूप से विभाजित करने के लिए फ्रेचेट-निकोडिम-अरोनशाइन (Fréchet-Nikodym-Aronszajn) दूरी पर आधारित एक डेटा-अनुकूली क्लस्टरिंग विधि प्रस्तावित करता है।
सैद्धांतिक प्रगति: यह आंशिक रूप से प्रेक्षित मीन फंक्शनों में निहित विच्छिन्नता (discontinuities) को समायोजित करने के लिए, स्कोरोखोड स्पेस $D[0, 1]$ में कार्यात्मक डेटा के लिए एसिम्प्टोटिक परिणाम स्थापित करता है।
वितरण परीक्षणों की श्रेष्ठता: लेखक यह प्रदर्शित करते हैं कि पूर्ण वितरणों ( $T_F$ ) की तुलना करना माध्य ( $T_\mu$ ) की तुलना करने की तुलना में अधिक मजबूत और शक्तिशाली है, विशेष रूप से उन मामलों में जहाँ मिसिंगनेस उच्च-क्रम के मोमेंट्स (higher-order moments) या वितरण के आकार को प्रभावित करती है लेकिन माध्य को नहीं।
व्यावहारिक उपयोगिता: यह कार्यप्रणाली शोधकर्ताओं को उनके कार्यात्मक डेटा पुनर्निर्माण विधियों के अंतर्निहित मान्यताओं को सत्यापित करने के लिए एक नैदानिक उपकरण (diagnostic tool) प्रदान करती है, जैसा कि वास्तविक दुनिया के उदाहरणों में सेंसर दोषों और बाजार-संचालित मिसिंगनेस का पता लगाने की क्षमता से स्पष्ट होता है।

लेखक नोट करते हैं कि हालांकि उनका दृष्टिकोण सामान्य है, परीक्षण की शक्ति विभाजन के चयन पर निर्भर करती है। वे सुझाव देते हैं कि छोटे नमूना आकार के लिए, विशेषज्ञ-निर्देशित नियत विभाजन (deterministic partitions) बेहतर हो सकते हैं, और भविष्य के कार्य समूह पृथक्करण को अनुकूलित करने के लिए पर्यवेक्षित वर्गीकरण (supervised classification) विधियों की खोज कर सकते हैं।