📊 statistics

Design Stability in Adaptive Experiments: Implications for Treatment Effect Estimation

यह शोध पत्र डिज़ाइन स्थिरता (design stability) की अवधारणा को प्रस्तुत करते हुए, अनुक्रमिक रूप से अनुकूलित असाइनमेंट तंत्र (sequentially adaptive assignment mechanisms) के तहत औसत उपचार प्रभाव (average treatment effect) के लिए इनवर्स प्रोपेंसिटी वेटेड (inverse propensity weighted) और ऑगमेंटेड इनवर्स प्रोपेंसिटी वेटेड (augmented inverse propensity weighted) अनुमानकों के लिए केंद्रीय सीमा प्रमेय (central limit theorems) और प्र beenymptic विचरण (asymptotic variances) स्थापित करता है, जिससे अनुक्रमिक प्रयोगों में वैध सांख्यिकीय अनुमान सक्षम होता है।

मूल लेखक: Saikat Sengupta, Koulik Khamaru, Suvrojit Ghosh, Tirthankar Dasgupta

प्रकाशित 2026-04-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Saikat Sengupta, Koulik Khamaru, Suvrojit Ghosh, Tirthankar Dasgupta

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 पता लगाने की कोशिश कर रहे हैं कि एक नई दवा काम करती है या नहीं। आपके पास मरीजों का एक समूह है, और आपको यह तय करना है कि किसे असली दवा (उपचार/Treatment) मिलेगी और किसे चीनी की गोली (कंट्रोल/Control) मिलेगी।

पुराने दिनों में, वैज्ञानिक हर एक मरीज के लिए एक निष्पक्ष सिक्का उछालते थे। चित (Heads) = दवा, पट (Tails) = चीनी की गोली। यह सरल है, लेकिन कभी-कभी, केवल बदकिस्मती से, आपके "बीमार" मरीजों में से 90% चीनी की गोली वाले समूह में आ सकते हैं। इससे यह बताना कठिन हो जाता है कि दवा वास्तव में काम करती है या समूह केवल असंतुलित थे।

इसे ठीक करने के लिए, आधुनिक वैज्ञानिक एडेप्टिव डिज़ाइन्स (Adaptive Designs) का उपयोग करते हैं। एक निष्पक्ष सिक्के के बजाय, वे एक "स्मार्ट सिक्के" का उपयोग करते हैं। यदि पहले ही बहुत से लोगों को दवा मिल चुकी है, तो समूहों को संतुलित करने के लिए स्मार्ट सिक्का "चीनी की गोली" की ओर अधिक झुक जाएगा। यदि समूह संतुलित हैं, तो यह निष्पक्ष रूप से उछलेगा।

समस्या:
हालाँकि यह "स्मार्ट सिक्का" समूहों को संतुलित करने के लिए बहुत अच्छा लगता है, लेकिन यह एक सांख्यिकीय दुःस्वप्न (statistical nightmare) पैदा करता है। क्योंकि सिक्का इस आधार पर बदलता है कि पहले क्या हुआ था, डेटा बिंदु अब स्वतंत्र नहीं रह जाते। यह मौसम की भविष्यवाणी करने जैसा है जब हर दिन का पूर्वानुमान पिछले दिन के मौसम पर निर्भर करता है। पारंपरिक गणितीय उपकरण यहाँ विफल हो जाते हैं।

समाधान: "डिज़ाइन स्थिरता" (Design Stability)

लेखक, सैकत सेनगुप्ता और उनकी टीम, इस अराजकता से निपटने का एक नया तरीका प्रस्तावित करते हैं। वे डिज़ाइन स्थिरता (Design Stability) नामक एक अवधारणा पेश करते हैं।

डिज़ाइन स्थिरता को "तूफान के बाद की शांति" के रूप में सोचें।

मजबूत स्थिरता (Strong Stability): कल्पना करें कि स्मार्ट सिक्का अंततः अपना मन बदलना बंद कर देता है। 1,000 मरीजों के बाद, यह एक लय में स्थिर हो जाता है जहाँ यह पिछले अनुभवों की परवाह किए बिना 50% समय दवा देता है। यह अनुमानित हो जाता है।
कमजोर स्थिरता (Weak Stability): कल्पना करें कि सिक्का एक संख्या पर कभी नहीं टिकता। यह आज 60% चित और कल 40% पट उछल सकता है। हालाँकि, यदि आप लंबे समय में उन सभी उछालों के औसत को देखते हैं, तो यह एक अनुमानित पैटर्न में स्थिर हो जाता है। व्यक्तिगत उछाल अनिश्चित हो सकते हैं, लेकिन औसत व्यवहार स्थिर रहता है।

यह शोध पत्र सिद्ध करता है कि जब तक आपके प्रयोग में इनमें से एक प्रकार की "स्थिरता" है, आप अभी भी गणित को सही ढंग से कर सकते हैं।

उपकरण: दो नए एस्टिमेटर (Estimators)
लेखक डेटा को देखने और उपचार के वास्तविक प्रभाव की गणना करने के लिए दो गणितीय "लेंस" (एस्टिमेटर) प्रदान करते हैं:

IPW लेंस (इन्वर्स प्रोपेंसिटी वेटेड - Inverse Propensity Weighted):
- सादृश्य (Analogy): कल्पना करें कि आप एक चुनाव में वोटों की गिनती कर रहे हैं जहाँ कुछ मतदाताओं तक पहुँचना दूसरों की तुलना में कठिन था। यदि आप केवल आसानी से पहुँचने वाले मतदाताओं को गिनते हैं, तो आपके परिणाम पक्षपाती होंगे। IPW लेंस कहता है, "ठीक है, इस मतदाता तक पहुँचना कठिन था, इसलिए उनका वोट पैमाने को संतुलित करने के लिए अधिक गिना जाएगा।" यह हर मरीज के परिणाम को इस बात से तौलता है कि उनके उपचार मिलने की कितनी संभावना थी।
- लाभ: यह सरल और निष्पक्ष है।
- हानि: यह "शोर वाला" (noisy/high variance) हो सकता है, जिसका अर्थ है कि आपके कॉन्फिडेंस इंटरवल (वह सीमा जहाँ आपको लगता है कि सत्य निहित है) बहुत विस्तृत हो सकते हैं।
AIPW लेंस (ऑगमेंटेड IPW - Augmented IPW):
- सादृश्य: यह IPW लेंस है जिसमें एक "को-पायलट" है। यह IPW पद्धति का उपयोग करता है लेकिन साथ ही मरीज के इतिहास को भी देखता है ताकि बेहतर अनुमान लगाया जा सके। यह एक मौसम भविष्यवक्ता की तरह है जो बैरोमीटर (IPW) और सैटेलाइट छवियों (मरीज के इतिहास) दोनों को देखता है ताकि अधिक सटीक भविष्यवाणी की जा सके।
- लाभ: यह बहुत सटीक है। यह आपको अपने परिणामों के लिए एक अधिक सघन और सटीक सीमा देता है।
- हानि: इसे बनाना गणितीय रूप से अधिक जटिल है।

"सुरक्षा जाल" (कंजर्वेटिव वेरिएंस - Conservative Variance)
इन एडेप्टिव प्रयोगों में सबसे बड़ी चुनौतियों में से एक यह है कि आप "क्या होता अगर" वाले परिदृश्यों को देख नहीं सकते। आप जानते हैं कि उस मरीज के साथ क्या हुआ जिसे दवा मिली, लेकिन आप नहीं जानते कि क्या होता यदि उन्हें चीनी की गोली मिली होती (और इसके विपरीत)।

इस अधूरी जानकारी के कारण, लेखक कंजर्वेटिव वेरिएंस एस्टिमेटर्स का प्रस्ताव करते हैं।

सादृश्य: कल्पना करें कि आप एक पुल बना रहे हैं। आप नहीं जानते कि भविष्य में इस पर गुजरने वाले हर ट्रक का सटीक वजन क्या होगा। इसलिए, केवल औसत ट्रक के वजन के लिए गणना करने के बजाय, आप पुल को एक भारी ट्रक का वजन सहने के लिए डिज़ाइन करते हैं। आप शायद ज़रूरत से ज़्यादा इंजीनियरिंग कर रहे हैं (पुल को आवश्यक से अधिक चौड़ा बना रहे हैं), लेकिन आप गारंटी देते हैं कि यह ढहेगा नहीं।
सांख्यिकी में, इसका अर्थ है कि आपके कॉन्फिडेंस इंटरवल वास्तव में होने की तुलना में थोड़े अधिक विस्तृत हो सकते हैं, लेकिन वे गारंटी देते हैं कि सही उत्तर उनके भीतर ही होगा। आपको गलत सकारात्मक (false positive) परिणाम नहीं मिलेंगे।

वास्तविक दुनिया के उदाहरण
शोध पत्र इन विचारों को दो प्रसिद्ध "स्मार्ट कॉइन" डिज़ाइन्स पर परखता है:

वेई का डिज़ाइन (Wei's Design): यह डिज़ाइन एक थर्मोस्टेट की तरह है। यदि कमरा बहुत गर्म हो जाता है (बहुत अधिक उपचार मिल जाते हैं), तो यह ठंडा हो जाता है। शोध पत्र सिद्ध करता है कि इस डिज़ाइन में मजबूत स्थिरता (Strong Stability) है (यह अच्छी तरह से स्थिर हो जाता है)।
एफ्रॉन का डिज़ाइन (Efron's Design): यह डिज़ाइन एक सख्त रेफरी की तरह है। यदि एक टीम बहुत अधिक जीत रही है, तो रेफरी दूसरी टीम को दंड देने के लिए मजबूर करता है। यह डिज़ाइन थोड़ा अराजक है और एक संख्या पर नहीं टिकता, लेकिन इसमें कमजोर स्थिरता (Weak Stability) है (इसका औसत व्यवहार अनुमानित है)।

यह क्यों महत्वपूर्ण है
यह शोध पत्र क्लिनिकल ट्रायल्स और ऑनलाइन प्रयोगों (जैसे वेबसाइटों पर A/B टेस्टिंग) के भविष्य के लिए एक "यूजर मैनुअल" है।

यह हमें बताता है कि एडेप्टिव डिज़ाइन्स का उपयोग सुरक्षित है, जब तक कि वे "स्थिर" हों।
यह हमें डेटा को विश्लेषण करने के लिए गणितीय उपकरण देता है ताकि हमें डेटा कैसे उत्पन्न हो रहा है, इसके बारे में झूठी धारणाएं न बनानी पड़ें।
यह दिखाता है कि AIPW विधि (को-पायलट वाला लेंस) सबसे अच्छा विकल्प है क्योंकि यह अधिक सटीक उत्तर देता है, जिससे मेडिकल ट्रायल्स में समय और पैसा बचता है।

संक्षेप में:
लेखकों ने एक अव्यवस्थित, जटिल समस्या (एडेप्टिव प्रयोग जहाँ चलते रहने के दौरान नियम बदलते रहते हैं) को लिया और हमें दिखाया कि यदि नियम अंततः एक अनुमानित पैटर्न में स्थिर हो जाते हैं (स्थिरता), तो हम सटीक, भरोसेमंद परिणाम प्राप्त करने के लिए विशिष्ट, मजबूत गणितीय उपकरणों का उपयोग कर सकते हैं। उन्होंने हमें एक "सुरक्षा जाल" बनाने का तरीका दिया ताकि हम गलती से यह दावा न कर दें कि एक दवा काम करती है जबकि वह वास्तव में नहीं करती।

यहाँ "Design Stability in Adaptive Experiments: Implications for Treatment Effect Estimation" (Sengupta et al. द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र परिमित-जनसंख्या (finite-population) परिवेश में औसत उपचार प्रभाव (Average Treatment Effect - ATE) के अनुमान की चुनौती को संबोधित करता है, जहाँ उपचार आवंटन (treatment assignments) क्रमिक रूप से अनुकूल (sequentially adaptive) होते हैं।

संदर्भ: शास्त्रीय पूर्णतः यादृच्छिक डिजाइनों (Completely Randomized Designs - CRD) के विपरीत, जहाँ आवंटन की संभावनाएँ स्थिर और स्वतंत्र होती हैं, आधुनिक प्रयोग (जैसे, एडेप्टिव क्लिनिकल ट्रायल्स, ऑनलाइन A/B टेस्टिंग) अक्सर पिछले असाइनमेंट और देखे गए परिणामों के इतिहास के आधार पर उपचार आवंटित करते हैं।
चुनौती: ये अनुकूल तंत्र इकाइयों के बीच निर्भरता पैदा करते हैं, जो मानक 'i.i.d.' मान्यताओं का उल्लंघन करते हैं, जिनकी आवश्यकता मानक एसिम्प्टोटिक थ्योरी (asymptotic theory) के लिए होती है। फलस्वरूप, पारंपरिक अनुमानक (जैसे difference-in-means) पक्षपाती या अक्षम हो सकते हैं, और मानक कॉन्फिडेंस इंटरवल अमान्य हो सकते हैं।
लक्ष्य: बिना किसी पैरामेट्रिक मॉडल (potential outcomes के लिए) की धारणा रखे, अनुक्रमिक अनुकूल डिजाइनों (sequential adaptive designs) के तहत ATE के लिए एक कठोर अनुमानात्मक ढांचा (अनुमानक, एसिम्प्टोटिक नॉर्मलिटी, और वैध कॉन्फिडेंस इंटरवल) विकसित करना (डिज़ाइन-आधारित अनुमान)।

2. कार्यप्रणाली और ढांचा (Methodology and Framework)

A. संभावित परिणाम ढांचा (Potential Outcomes Framework)

लेखक ने नेयमैन-रुबिन (Neyman-Rubin) पोटेंशियल आउटकम्स ढांचे को अपनाया है। $N$ इकाइयों के लिए, प्रत्येक इकाई $i$ के पास निश्चित संभावित परिणाम $Y_i(0)$ (कंट्रोल) और $Y_i(1)$ (ट्रीटमेंट) होते हैं। लक्षित पैरामीटर परिमित-जनसंख्या ATE है: $\bar{\tau} = \frac{1}{N}\sum_{i=1}^N (Y_i(1) - Y_i(0))$ ।

धारणा: संभावित परिणाम निश्चित हैं; समस्त अनिश्चितता (randomness) केवल उपचार आवंटन तंत्र से उत्पन्न होती है।

B. अनुक्रमिक आवंटन तंत्र (Sequential Assignment Mechanism)

$i$ -वें इकाई का आवंटन, जिसे $K_i \in \{0, 1\}$ द्वारा दर्शाया गया है, एक बर्नौली वितरण (Bernoulli distribution) का अनुसरण करता है जिसकी सफलता की संभावना $p_i$ पिछले इतिहास $\mathcal{F}_{i-1}$ (पिछले असाइनमेंट और परिणाम) पर निर्भर करती है:
$P(K_i = 1 | \mathcal{F}_{i-1}) = p_i$
यह किसी भी प्रकार के अनुकूल नियमों (adaptive rules) की अनुमति देता है, जैसे कि वर्तमान असंतुलन के आधार पर उपचार भुजाओं (treatment arms) को संतुलित करना।

C. अनुमानक (Estimators)

शोध पत्र दो अनुमानकों का विश्लेषण करता है:

इन्वर्स प्रोपेंसिटी वेटेड (IPW) अनुमानक: एक हॉरविट्ज़-थॉमसन (Horvitz-Thompson) प्रकार का अनुमानक जो देखे गए परिणामों को उनके असाइनमेंट प्रोपेंसिटी के व्युत्क्रम (inverse) द्वारा पुन: भारित (reweight) करता है।
$\hat{\tau}_{IPW} = \frac{1}{N} \sum_{i=1}^N \left( \frac{K_i Y_i}{p_i} - \frac{(1-K_i)Y_i}{1-p_i} \right)$
ऑगमेंटेड IPW (AIPW) अनुमानक: यह मानक AIPW अनुमानक का एक मॉडल-मुक्त, परिमित-जनसंख्या संस्करण है। यह विचरण (variance) को कम करने के लिए संभावित परिणामों के सशर्त माध्य (conditional means) के अनुक्रमिक अनुमानों का उपयोग करता है।
$\hat{\tau}_{AIPW} = \frac{1}{N} \sum_{i=1}^N \left[ \left( \frac{K_i(Y_i - \hat{Y}_{i-1}(1))}{p_i} + \hat{Y}_{i-1}(1) \right) - \left( \frac{(1-K_i)(Y_i - \hat{Y}_{i-1}(0))}{1-p_i} + \hat{Y}_{i-1}(0) \right) \right]$
जहाँ $\hat{Y}_{i-1}(\ell)$ उपचार भुजा $\ell$ के देखे गए परिणामों के रनिंग वेटेड एवरेज (running weighted averages) हैं।

D. मुख्य अवधारणा: डिज़ाइन स्थिरता (Design Stability)

इस शोध पत्र की सैद्धांतिक सफलता डिज़ाइन स्थिरता (Design Stability) की परिभाषा है, जो इन अनुमानकों के लिए सेंट्रल लिमिट थ्योरम (CLT) स्थापित करने के लिए आवश्यक एक शर्त है। लेखक दो स्तर प्रस्तावित करते हैं:

स्ट्रॉन्ग डिज़ाइन स्टेबिलिटी (Strong Design Stability): असाइनमेंट की संभावना $p_i$ $p_{i}$ स्वयं संभाव्यता में एक गैर-यादृच्छिक स्थिरांक $p^*$ $p^{*}$ की ओर अभिसरित (converge) होती है।
$p_i \xrightarrow{P} p^*$
- निहितार्थ: डिज़ाइन एसिम्प्टोटिक रूप से "जम" (freeze) जाता है।
वीक डिज़ाइन स्टेबिलिटी (Weak Design Stability): $p_i$ $p_{i}$ का व्यक्तिगत रूप से अभिसरण होना आवश्यक नहीं है, लेकिन इन्वर्स प्रोपेंसिटी स्कोर के सैंपल औसत को निश्चित सीमाओं (fixed limits) की ओर अभिसरित होना चाहिए।
$\frac{1}{N}\sum_{i=1}^N \frac{1}{p_i} \xrightarrow{P} \frac{1}{p^*_1} \quad \text{और} \quad \frac{1}{N}\sum_{i=1}^N \frac{1}{1-p_i} \xrightarrow{P} \frac{1}{p^*_2}$
- निहितार्थ: यह विचरण प्रक्रिया (variance process) के लिए 'लॉ ऑफ लार्ज नंबर्स' के रूप में कार्य करता है, जिससे यदि $p_i$ उतार-चढ़ाव करता है (जैसे, एफ्रॉन का डिज़ाइन), तब भी CLTs संभव हो जाते हैं।

3. प्रमुख योगदान और परिणाम (Key Contributions and Results)

A. एसिम्प्टोटिक नॉर्मलिटी (सेंट्रल लिमिट थ्योरम्स)

लेखक सिद्ध करते हैं कि स्ट्रॉन्ग और वीक डिज़ाइन स्टेबिलिटी दोनों के तहत, $\hat{\tau}_{IPW}$ और $\hat{\tau}_{AIPW}$ दोनों एसिम्प्टोटिक रूप से सामान्य (normally distributed) हैं:
$\sqrt{N}(\hat{\tau} - \bar{\tau}) \xrightarrow{d} \mathcal{N}(0, V)$

विचरण अभिव्यक्ति (Variance Expressions): एसिम्प्टोटिक विचरण ( $V_{IPW}$ और $V_{AIPW}$ ) के लिए स्पष्ट सूत्र प्राप्त किए गए हैं।
दक्षता (Efficiency): यह दिखाया गया है कि AIPW अनुमानक, IPW अनुमानक की तुलना में अधिक कुशल (कम एसिम्प्टोटिक विचरण) है ( $V_{AIPV} \leq V_{IPW}$ )।

B. विचरण अनुमान और कॉन्फिडेंस इंटरवल (Variance Estimation and Confidence Intervals)

कारण अनुमान (causal inference) में एक बड़ी बाधा यह है कि क्रॉस-मोमेंट टर्म ( $Y_i(0)$ और $Y_i(1)$ के बीच कोवेरिएंस) अवलोकनीय नहीं होता है।

रूढ़िवादी अनुमान (Conservative Estimation): लेखक ऐसे विचरण अनुमानकों का प्रस्ताव करते हैं जो अवलोकनीय कोवेरिएंस टर्म को बाउंड करने के लिए कॉची-श्वार्ज़ असमानता (Cauchy-Schwarz inequality) का उपयोग करते हैं। इसके परिणामस्वरूप रूढ़िवादी (conservative) विचरण अनुमानक प्राप्त होते हैं (एसिम्प्टोटिक रूप से धनात्मक रूप से पक्षपाती), जो यह सुनिश्चित करते हैं कि कॉन्फिडेंस इंटरवल में कम से कम नाममात्र कवरेज प्रोबेबिलिटी ( $1-\alpha$ ) हो।
सटीक कवरेज स्थितियाँ (Exact Coverage Conditions): अनुमानक एसिम्प्टोटिक रूप से सटीक (गैर-रूढ़िवादी) हो जाते हैं यदि संभावित परिणाम विशिष्ट होमोजेनिटी शर्तों को पूरा करते हैं:
- IPW के लिए: लॉग-एडिटिविटी ( $Y_i(1) = c Y_i(0)$ )।
- AIPW के लिए: सामान्यीकृत उपचार प्रभाव होमोजेनिटी ( $Y_i(1) - \bar{Y}(1) = \lambda(Y_i(0) - \bar{Y}(0))$ )।

C. क्लासिक डिजाइनों पर अनुप्रयोग (Application to Classic Designs)

सिद्धांत को दो महत्वपूर्ण एडेप्टिव डिजाइनों पर लागू किया गया है:

वेई का एडेप्टिव कॉइन डिज़ाइन (Wei's Adaptive Coin Design): यह सिद्ध हुआ कि यह स्ट्रॉन्ग डिज़ाइन स्टेबिलिटी ( $p^*=0.5$ की ओर अभिसरण) को संतुष्ट करता है।
एफ्रॉन का बायस्ड कॉइन डिज़ाइन (Efron's Biased Coin Design): यह सिद्ध हुआ कि यह वीक डिज़ाइन स्टेबिलिटी को संतुष्ट करता है लेकिन स्ट्रॉंग स्टेबिलिटी को नहीं (संभावनाएँ $\eta$ और $1-\eta$ के बीच दोलन करती हैं)। शोध पत्र एफ्रॉन के डिज़ाइन के लिए विशिष्ट सीमित स्थिरांक (limiting constants) को निकालता है, जो वीक स्टेबिलिटी फ्रेमवर्क की उपयोगिता को प्रदर्शित करता है।

4. महत्व और प्रभाव (Significance and Impact)

सिद्धांत और व्यवहार के बीच सेतु: यह शोध पत्र एक विस्तृत वर्ग के अनुकूल डिजाइनों के लिए पहला कठोर परिमित-जनसंख्या अनुमानात्मक ढांचा प्रदान करता है, जो अक्सर बैंडिट साहित्य (bandit literature) में उपयोग किए जाने वाले प्रतिबंधात्मक सुपरपॉपुलेशन मॉडलों से आगे जाता है।
मजबूती (Robustness): "वीक डिज़ाइन स्टेबिलिटी" को परिभाषित करके, लेखक उन लोकप्रिय डिजाइनों (जैसे एफ्रॉन का डिज़ाइन) के लिए वैध अनुमान का विस्तार करते हैं जिनका विश्लेषण पहले सैद्धांतिक रूप से कठिन था क्योंकि वे एक एकल संभावना की ओर अभिसरित नहीं होते हैं।
व्यावहारिक उपयोगिता: प्रस्तावित रूढ़िवादी विचरण अनुमानक चिकित्सकों को संभावित परिणामों के वितरण को मॉडल किए बिना परिमित जनसंख्या में ATE के लिए वैध कॉन्फिडेंस इंटरवल बनाने की अनुमति देते हैं।
AIPW की श्रेष्ठता: परिणाम अनुभवजन्य और सैद्धांतिक रूप से पुष्टि करते हैं कि एडेप्टिव सेटिंग्स में मानक IPW की तुलना में AIPW अनुमानक बेहतर दक्षता और स्थिरता प्रदान करता है, विशेष रूप से जब उपचार प्रभाव विषम (heterogeneous) होते हैं।

5. निष्कर्ष (Conclusion)

Sengupta et al. सफलतापूर्वक स्थापित करते हैं कि यदि डिज़ाइन स्थिरता (Design Stability) की अवधारणा पूरी होती है, तो मानक एसिम्प्टोटिक टूल्स का उपयोग करके अनुक्रमिक अनुकूल प्रयोगों का विश्लेषण किया जा सकता है। उनका कार्य विभिन्न अनुकूल रैंडमाइजेशन स्कीमों के विश्लेषण को एकीकृत करता है, जो परिमित जनसंख्या में उपचार प्रभावों के अनुमान के लिए एक मजबूत, मॉडल-मुक्त कार्यप्रणाली प्रदान करता है।