📊 statistics

Parameter Estimation for Time-Scaled Inhomogeneous Phase-Type Distributions from Discrete Observations

यह शोध पत्र एक गणनात्मक रूप से कुशल स्टोकेस्टिक एक्सपेक्टेशन-मैक्सिमाइजेशन (SEM) ढांचे का प्रस्ताव करता है जो विविक्त (discrete), अनियमित अंतराल पर प्राप्त अवलोकनों से समय-स्केल वाले इनहोमोजेनियस फेज-टाइप वितरणों के मापदंडों का अनुमान लगाने के लिए मार्कोव-ब्रिज डेटा ऑग्मेंटेशन को क्लोज्ड-फॉर्म अपडेट्स के साथ जोड़ता है, जो बिना किसी प्रतिबंधित गैर-रेखीय अनुकूलन (constrained nonlinear optimization) की आवश्यकता के मिसिंग-डेटा समस्या को प्रभावी ढंग से संबोधित करता है।

मूल लेखक: Fernando Baltazar-Larios, Alejandra Quintos

प्रकाशित 2026-08-17

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando Baltazar-Larios, Alejandra Quintos

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 जटिल बोर्ड गेम देख रहे हैं जहाँ मोहरे बोर्ड पर घूमते हैं, एक वर्ग से दूसरे वर्ग पर कूदते हैं। इस खेल के सबसे सरल संस्करण में, नियम कभी नहीं बदलते: एक मोहरे के पास नए वर्ग पर कूदने की समान संभावना होती है चाहे वह पहला टर्न हो या हज़ारवाँ। यह एक "समरूप" (homogeneous) प्रक्रिया की तरह है, जहाँ संभावनाएं समय के साथ स्थिर रहती हैं। लेकिन वास्तविक दुनिया में, चीजें शायद ही कभी इतनी स्थिर होती हैं। जैसे कि एक कार का इंजन गर्म होता जाता है और लंबे समय तक चलने के कारण उसके विफल होने की संभावना बढ़ जाती है, या एक वायरस तेजी से फैलता है जैसे-जैसे अधिक लोग बीमार होते हैं। इन मामलों में, खेल के "नियम" समय बीतने के साथ बदलते हैं; कूदने या रुकने की संभावनाएं इस बात पर निर्भर करती हैं कि कितना समय पहले ही बीत चुका है। यह एक "विषम" (inhomogeneous) प्रक्रिया है।

अब, कल्पना कीजिए कि आप इस बदलते हुए खेल के नियमों को समझने की कोशिश कर रहे हैं, लेकिन आप मोहरों को निरंतर चलते हुए नहीं देख सकते—शायद आप बोर्ड को अनियमित अंतराल पर देखते हैं—जैसे कि आप एक बार सप्ताह में एक बार देखते हैं, फिर तीन दिन बाद, फिर एक महीने बाद। आप मोहरों को अलग-अलग स्थानों पर देखते हैं, लेकिन आपको पता नहीं होता कि वे वास्तव में कब कूदे या वे कितनी देर तक वहीं रहे। यह एक क्लासिक जासूसी समस्या है: आपके पास "पहले" और "बाद" के स्नैपशॉट हैं, लेकिन "बीच का हिस्सा" एक रहस्य है। यह शोध पत्र ठीक इसी पहेली को सुलझाता है। यह इन बदलते हुए खेलों के छिपे हुए नियमों का अनुमान लगाने के लिए एक चतुर गणितीय टूलकिट पेश करता है, भले ही डेटा अव्यवस्थित हो और उसमें अंतराल हों।

शोध पत्र का मुख्य विचार: खाली जगहों को भरना

लेखक, फर्नांडो बाल्टाज़ार-लारियोस और अलेजांद्रा क्विंटोस, एक विशिष्ट प्रकार के गणितीय मॉडल पर काम कर रहे हैं जिसे इनहोमोजेनियस फेज-टाइप (IPH) डिस्ट्रीब्यूशन कहा जाता है। सरल शब्दों में, यह वर्णन करने का एक तरीका है कि किसी चीज़ को "खत्म" होने या "अवशोषित" होने में (जैसे कि मरीज का ठीक होना, मशीन का खराब होना, या ग्राहक का दुकान छोड़ना) कितना समय लगता है, जब उस प्रक्रिया की गति समय के साथ बदलती है।

वे जिस समस्या को हल कर रहे हैं वह यह है कि इन मॉडलों के अधिकांश मौजूदा तरीके यह मान लेते हैं कि आपके पास प्रक्रिया का एक पूर्ण, निरंतर वीडियो है। लेकिन वास्तविक जीवन में—जैसे कि अस्पताल में बीमारी को ट्रैक करना या कारखाने में मशीन की निगरानी करना—हमारे पास आमतौर पर अनियमित समय पर लिए गए केवल कुछ धुंधले स्नैपशॉट होते हैं। सटीक क्षण जब किसी मरीज की स्थिति बदली, या मशीन विफल हुई, वह गायब है। यह अनुमान लगाने की प्रक्रिया को एक "लुप्त डेटा" (missing data) की समस्या में बदल देता है। यह एक जिग्सॉ पहेली को हल करने जैसा है जहाँ आधे टुकड़े कंबल के नीचे छिपे हुए हैं।

समाधान: एक समय-यात्रा करने वाला जासूस

लेखकों का समाधान एक दो-चरणीय रणनीति है जो एक "टाइम मशीन" को "अनुमान और जाँच" (guess-and-check) लूप के साथ जोड़ती है।

1. टाइम मशीन (समय रूपांतरण - Time Transformation)
सबसे पहले, वे एक गणितीय ट्रिक का उपयोग करते हैं जिससे इस बिखरे हुए, समय-बदलने वाले खेल को एक सरल, समय-स्थिर खेल में बदला जा सके। कल्पना कीजिए कि खेल के बोर्ड पर एक रबर बैंड खींचा हुआ है। वास्तविक दुनिया में, रबर बैंड खिंचता और सिकुड़ता है, जिससे समय के साथ वर्गों के बीच की दूरी बदलती रहती है। लेखकों की विधि प्रभावी रूप से इस रबर बैंड को "सपाट" कर देती है। एक विशिष्ट समय रूपांतरण लागू करके, वे इस अनियमित, बदलती गति वाली प्रक्रिया को एक मानक, स्थिर-गति वाली प्रक्रिया में बदल देते हैं। यह उन्हें समस्या के मूल ढांचे को संभालने के लिए स्थापित, सरल गणित का उपयोग करने की अनुमति देता है।

2. अनुमान और जाँच लूप (SEM एल्गोरिदम)
एक बार जब खेल सपाट हो जाता है, तो उनके पास अभी भी लुप्त चालों (moves) की समस्या होती है। इसे ठीक करने के लिए, वे स्टोकेस्टिक एक्सपेक्टेशन-मैक्सिमाइजेशन (SEM) नामक एक विधि का उपयोग करते हैं। इसे एक ऐसे जासूस के रूप में सोचें जो कहानी के लापता हिस्सों को सबसे संभावित परिदृश्यों के साथ भरता रहता है, और फिर जाँचता है कि क्या वे परिदृश्य उपलब्ध सुरागों के साथ मेल खाते हैं।

"अनुमान" (सिमुलेशन): कंप्यूटर हजारों संभावित "छिपे हुए" रास्तों का अनुकरण (simulate) करता है जो प्रक्रिया ने स्नैपशॉट के बीच लिए होंगे। यह मार्कोव ब्रिज (Markov bridges) नामक एक तकनीक का उपयोग करता है, जो मानचित्र पर दो ज्ञात बिंदुओं के बीच रेखा खींचने जैसा है, लेकिन इसे इस तरह से करता है कि खेल के नियमों का सम्मान बना रहे। यह प्रक्रिया का एक पूर्ण, निरंतर "मूवी" तैयार करता है, भले ही हमने केवल कुछ ही फ्रेम देखे हों।
"जाँच" (अपडेटिंग): इस पूर्ण, सिम्युलेटेड मूवी के साथ, कंप्यूटर खेल के सर्वोत्तम संभव नियमों (पैरामीटर्स) की गणना करता है। यह "बेसलाइन" नियमों (सब-इंटेंसिटी मैट्रिक्स) और "टाइम-स्केलिंग" कारक (नियम कितनी तेजी से बदलते हैं) को इस सिम्युलेटेड मूवी के अनुसार अपडेट करता है।
लूप: कंप्यूटर फिर इन नए, बेहतर नियमों को लेता है और छिपे हुए रास्तों का एक नया सेट सिम्युलेट करता है। यह चक्र बार-बार चलता रहता है। हर बार, नियम थोड़े अधिक सटीक होते जाते हैं, और सिम्युलेटेड रास्ते थोड़े अधिक यथार्थवादी होते जाते हैं। अंततः, प्रक्रिया स्थिर हो जाती है, और जो नियम वे पाते हैं वे वास्तविक दुनिया के डेटा के लिए सबसे अच्छा अनुमान होते हैं।

उन्होंने क्या पाया: वास्तविक दुनिया में सटीकता

लेखकों ने अपने तरीके का परीक्षण दो तरह से किया: पहले कंप्यूटर सिमुलेशन के साथ, और फिर वास्तविक चिकित्सा डेटा के साथ।

सिमुलेशन परीक्षण
उन्होंने नकली डेटा बनाने के लिए दो प्रसिद्ध गणितीय परिवारों का उपयोग किया: मैट्रिक्स-गोम्पर्ट्ज़ (Matrix-Gumpertz) और मैट्रिक्स-वेइबुल (Matrix-Weibull) डिस्ट्रीब्यूशन। इनका उपयोग मानव जीवनकाल या यांत्रिक पुर्जों की विफलता जैसी चीजों को मॉडल करने के लिए किया जाता है।

उन्होंने इन प्रक्रियाओं के 1,000 पूर्ण, सटीक इतिहास तैयार किए।
फिर, उन्होंने जानबूझकर सटीक संक्रमण समय को "छिपा" दिया, केवल अनियमित स्नैपशॉट छोड़े, बिल्कुल वास्तविक दुनिया की तरह।
उन्होंने यह देखने के लिए अपना एल्गोरिदम चलाया कि क्या यह मूल नियमों को पुनः प्राप्त कर सकता है।
परिणाम: यह विधि उल्लेखनीय रूप से अच्छी तरह से काम करती है। जब उनके पास पर्याप्त डेटा (एक लंबा अवलोकन काल) था, तो अनुमानित नियम वास्तविक नियमों के लगभग समान थे। सिम्युलेटेड "एब्जॉर्प्शन टाइम्स" (जब प्रक्रिया समाप्त हुई) वास्तविक वाले के लगभग समान थे। हालांकि, उन्होंने पाया कि यदि अवलोकन काल बहुत छोटा था (डेटा को जल्दी काट दिया गया), तो अनुमान कम सटीक हो गए, जो स्वाभाविक है क्योंकि काम करने के लिए जानकारी कम थी।

वास्तविक दुनिया का परीक्षण: हार्ट ट्रांसप्लांट
यह देखने के लिए कि क्या यह कंप्यूटर के बाहर काम करता है, उन्होंने इसे 622 हृदय प्रत्यारोपण (heart transplant) रोगियों के वास्तविक डेटासेट पर लागू किया। लक्ष्य कोरोनरी एलोग्राफ्ट वैस्कुलोपैथी (CAV) की प्रगति को ट्रैक करना था, जो एक ऐसी स्थिति है जहाँ नए हृदय की धमनियां धीरे-धीरे संकुचित होती हैं।

डेटा: रोगियों की जांच अनियमित अंतराल पर की गई (कभी एक साल का अंतर, तो कभी अधिक)। उनकी स्थिति को "CAV-मुक्त," "हल्का CAV," या "मध्यम/गंभीर CAV" के रूप में दर्ज किया गया था। "एब्जॉर्बिंग स्टेट" (अंतिम अवस्था) मृत्यु थी।
तुलना: उन्होंने अपने नए "समय-बदलने वाले" मॉडल की तुलना एक पुराने "समय-स्थिर" मॉडल (जो यह मानता है कि बुरा होने का जोखिम हर दिन समान रहता है) से की।
निष्कर्ष: समय-बदलने वाला मॉडल कहीं बेहतर फिट था। इसने सफलतापूर्वक इस तथ्य को पकड़ा कि बीमारी के बिगड़ने का जोखिम और मृत्यु का जोखिम समय के साथ तेजी से (exponentially) बढ़ता है।
- मॉडल ने अनुमान लगाया कि मध्यम/गंभीर CAV वाले रोगियों के लिए मृत्यु का जोखिम प्रति वर्ष लगभग 0.1227 था, जबकि CAV-मुक्त रोगियों के लिए यह 0.0944 था।
- इसने यह भी खुलासा किया कि "हल्के" चरण वाले रोगी वहां सबसे कम समय बिताते हैं, अक्सर या तो सुधार या गंभीर चरणों की ओर तेजी से बढ़ते हैं।
प्रमाण: जब उन्होंने अपने मॉडल द्वारा अनुमानित मृत्यु की तारीखों की तुलना वास्तविक डेटा के विरुद्ध की, तो मिलान उत्कृष्ट था (एक सांख्यिकीय परीक्षण ने 0.5966 का p-वैल्यू दिया, जिसका अर्थ है कि अंतर केवल रैंडम शोर था)। इसके विपरीत, पुराना, समय-स्थिर मॉडल बुरी तरह विफल रहा, जिसका p-वैल्यू 0.01066 था, जो दर्शाता है कि यह वास्तविकता का एक खराब विवरण था।

यह क्यों महत्वपूर्ण है

यह शोध पत्र केवल एक नया गणितीय तरीका नहीं है; यह जटिल, बदलती प्रणालियों को समझने का एक व्यावहारिक तरीका प्रदान करता है जब हमारे पास केवल अपूर्ण डेटा हो। एक टाइम-ट्रांसफॉर्मेशन के साथ एक स्मार्ट सिमुलेशन लूप को जोड़कर, लेखकों ने एक ऐसा उपकरण बनाया है जो सटीक रूप से अनुमान लगा सकता है कि चीजें समय के साथ कितनी तेजी से बदलती हैं, भले ही हम उन्हें हर सेकंड न देख सकें। चाहे वह यह अनुमान लगाना हो कि कोई मशीन कितने समय तक चलेगी, कोई बीमारी कैसे फैलती है, या कोई मरीज कैसे ठीक होता है, यह विधि हमें उन छिपी हुई गतिकी (dynamics) की अधिक सटीक तस्वीर प्रदान करती है जो हमारी दुनिया को चला रही है। लेखक सुझाव देते हैं कि यह दृष्टिकोण एक मजबूत और गणनात्मक रूप से कुशल तरीका है जो उस बिखरे हुए, अनियमित डेटा को संभालने के लिए है जो विज्ञान और चिकित्सा में बहुत आम है।

तकनीकी सारांश: विविक्त अवलोकनों से समय-स्केल वाले असंगत फेज-टाइप वितरणों के लिए पैरामीटर अनुमान

1. समस्या विवरण

शास्त्रीय फेज-टाइप (PH) वितरण एक परिमित-अवस्था वाले होमोजेनियस मार्कोव जंप प्रोसेस (MJP) के अवशोषण समय (absorption time) को मॉडल करते हैं। असंगत फेज-टाइप (IPH) वितरण इस ढांचे का विस्तार करते हैं, जिससे वे संक्रमण तीव्रताओं (transition intensities) को समय के साथ बदलने की अनुमति देते हैं, जिससे वे हेवी-टेल्ड व्यवहार, गैर-स्थिर हज़ार्ड रेट और समय-निर्भर गतिकी को कैप्चर कर सकते हैं। एक विशिष्ट और सुलभ उप-वर्ग जो $h_\beta(t)\Lambda$ के रूप में एक समय-स्केल वाले सब-इंटेंसिटी मैट्रिक्स $\Lambda(t) = h_\beta(t)\Lambda$ को मानता है, जहाँ $\Lambda$ एक स्थिर बेसलाइन मैट्रिक्स है और $h_\beta(t)$ एक ज्ञात गैर-ऋणात्मक स्केलिंग फंक्शन है जो $\beta$ द्वारा पैरामीटराइज्ड है।

जबकि इन मॉडलों के लिए सांख्यिकीय अनुमान तब विकसित किए गए हैं जब अवशोषण समय या पूर्ण प्रक्षेपवक्र (trajectories) सटीक रूप से देखे जाते हैं, कई व्यावहारिक अनुप्रयोगों में विविक्त, अनियमित अंतराल पर अवलोकन शामिल होते हैं। ऐसे सेटिंग्स में (जैसे, चिकित्सा निगरानी में मल्टी-स्टेट पैनल डेटा), सटीक संक्रमण समय और अवशोषण समय अनोब्जर्व (unobserved) होते हैं, जिससे यह समस्या एक मिसिंग-डेटा चुनौती बन जाती है। प्रत्यक्ष अधिकतम संभावना अनुमान (maximum likelihood estimation) कठिन है क्योंकि ऑब्जर्व्ड-डेटा लाइक्लिहुड में जटिल मैट्रिक्स एक्सपोनेंशियल शामिल होते हैं और इसके लिए $\Lambda$ और $\beta$ के प्रविष्टियों पर कड़े गैर-रेखीय अनुकूलन (constrained nonlinear optimization) की आवश्यकता होती है। यह शोध पत्र समय-स्केल वाले IPH वितरणों के लिए $(\pi, \Lambda, \beta)$ के अनुमान को संबोधित करता है जब मूल प्रक्रिया केवल विविक्त समय बिंदुओं पर देखी जाती है।

2. कार्यप्रणाली

लेखक एक सांख्यिकीय अनुमान ढांचा प्रस्तावित करते हैं जो मार्कोव-ब्रिज डेटा ऑगमेंटेशन को एक स्टोकेस्टिक एक्सपेक्टेशन-मैक्सिमाइजेशन (SEM) एल्गोरिदम के साथ जोड़ता है। मुख्य रणनीति एक समय रूपांतरण के माध्यम से असंगत समस्या को एक होमोजेनियस समस्या में बदलने, लेटेंट निरंतर-समय प्रक्षेपवक्रों को सिम्युलेट करने और परिणामी पूर्ण-डेटा लाइक्लिहुड के आधार पर पैरामीटर को अपडेट करने की है।

2.1 समय रूपांतरण

उप-वर्ग $\Lambda(t) = h_\beta(t)\Lambda$ के लिए, असंगत प्रक्रिया $X$ को एक समय रूपांतरण $s = g_\beta^{-1}(t) = \int_0^t h_\beta(u) du$ के माध्यम से होमोजेनियस MJP $Y$ में मैप किया जा सकता है। इस रूपांतरण के तहत, असंगत प्रक्रिया $\tau$ का अवशोषण समय $\tau \stackrel{d}{=} g_\beta(\rho)$ को संतुष्ट करता है, जहाँ $\rho$ $(\pi, \Lambda)$ मापदंडों वाले मानक होमोजेनियस PH वितरण का अनुसरण करता है।

2.2 SEM एल्गोरिदम

अनुमान प्रक्रिया सिम्युलेटेड मिसिंग डेटा और पूर्ण-डेटा लाइक्लिहुड को मैक्सिमाइज करने के बीच बारी-बारी से चलती है:

आरंभीकरण (Initialization):
- प्रारंभिक वितरण $\pi$ को शुरुआती अवस्थाओं की अनुभवजन्य आवृत्तियों (empirical frequencies) के माध्यम से अनुमानित किया जाता है।
- $\beta$ के लिए एक प्रारंभिक अनुमान ( $\hat{\beta}_0$ ) प्रदान किया जाता है।
- एक प्रारंभिक सब-इंटेंसिटी मैट्रिक्स $\hat{\Lambda}_0$ प्राप्त किया जाता है, जिसमें विविक्त अवलोकनों को होमोजेनियस प्रक्रिया से निरंतर अवलोकनों के रूप में माना जाता है (शुरुआत में समय स्केलिंग को अनदेखा करते हुए)।
- सिम्युलेटेड पथों (बिना समय स्केलिंग के) से प्राप्त पूर्ण-डेटा लॉग-लाइक्लिहुड पर ग्रेडिएंट एसेंट का उपयोग करके $\hat{\beta}$ का एक प्रारंभिक शोधन किया जाता है।
पुनरावृत्ति प्रक्रिया (SE-step और M-step):
- SE-step (स्टोकेस्टिक E-step): वर्तमान अनुमान $\hat{\beta}$ का उपयोग करते हुए, विविक्त समय बिंदुओं को होमोजेनियस समय स्केल में परिवर्तित किया जाता है। प्रेक्षित अवस्थाओं पर कंडिशन किए गए मार्कोव ब्रिजेस का उपयोग करके देखे गए समय बिंदुओं के बीच लेटेंट निरंतर-समय प्रक्षेपवक्रों को सिम्युलेट किया जाता है। उन पथों के लिए जो अभी तक अवशोषित नहीं हुए हैं, प्रक्षेपवक्र को अवशोषक अवस्था (absorbing state) तक बढ़ाया जाता है। ये सिम्युलेटेड पथ एक "पूर्ण डेटा" वास्तविकता (complete data realization) बनाते हैं।
- M-step (मैक्सिमाइजेशन):
  - $\Lambda$ को अपडेट करना: सिम्युलेटेड होमोजेनियस पथों को देखते हुए, बेसलाइन सब-इंटेंसिटी मैट्रिक्स $\Lambda$ को होमोजेनियस MJPs के लिए क्लोज्ड-फॉर्म MLE (काउंटिंग ट्रांजिशन और ऑक्यूपेशन टाइम्स) का उपयोग करके अपडेट किया जाता है।
  - $\beta$ को अपडेट करना: सिम्युलेटेड पथों को वापस असंगत समय स्केल पर मैप किया जाता है। पैरामीटर $\beta$ को ग्रेडिएंट एसेंट का उपयोग करके पूर्ण-डेटा लॉग-लाइक्लिहुड के सापेक्ष मैक्सिमाइज करके $\beta$ को रिफाइन किया जाता है। इस चरण में लॉग-लाइक्लिहुड के ग्रेडिएंट का मूल्यांकन शामिल है, जो जंप टाइम्स और स्केल्ड ऑक्यूपेशन टाइम्स पर निर्भर करता है।
समाप्ति (Termination): एल्गोरिदम तब समाप्त होता है जब $\beta$ के लिए आंतरिक ग्रेडिएंट एसेंट एक एकल अपडेट के बाद अभिसरण (converge) करता है, जो यह दर्शाता है कि अनुमान स्थिर हो गए हैं।

2.3 पहचान क्षमता (Identifiability)

यह शोध पत्र पैरामीटर पहचान क्षमता के लिए शर्तों को स्थापित करता है। विशेष रूप से, पैरामीट्राइजेशन $(\Lambda, \beta)$ तभी पहचानने योग्य है यदि और केवल यदि $h_{\beta_1}(t)$ और $h_{\beta_2}(t)$ मल्टीप्लिकेटिव कांस्टेंट से अधिक भिन्न हों जब $\beta_1 \neq \beta_2$ । यह स्थिति सुनिश्चित करती है कि बेसलाइन मैट्रिक्स $\Lambda$ और समय-स्केलिंग फंक्शन के बीच भ्रम (confounding) न हो।

3. मुख्य परिणाम

प्रस्तावित विधि के प्रदर्शन का मूल्यांकन सिमुलेशन अध्ययनों और एक वास्तविक-डेटा अनुप्रयोग के माध्यम से किया गया।

3.1 सिमुलेशन अध्ययन

मैट्रिक्स-गोम्पर्ट्ज़ मॉडल (Matrix-Gompertz Model): $h_\beta(t) = e^{\beta t}$ का उपयोग करते हुए, लेखकों ने 3 ट्रांजिएंट स्टेट्स के साथ 1,000 पथ सिम्युलेट किए। विधि ने विभिन्न अवलोकन क्षितिजों ( $T$ ) के तहत वास्तविक मापदंडों $(\pi, \Lambda, \beta)$ को सफलतापूर्वक रिकवर किया। गुडनेस-ऑफ-फिट, जिसे अवशोषण समय पर कोलमोगोरोव-स्मिरनोव (KS) टेस्ट द्वारा मापा गया था, बड़े $T$ के लिए उच्च बना रहा लेकिन जब $T$ पर्याप्त अवशोषण घटनाओं को कैप्चर करने के लिए बहुत छोटा था (जैसे, $T=36$ के परिणामस्वरूप कम p-वैल्यू मिली), तो काफी गिर गया।
मैट्रिक्स-वेइबुल मॉडल (Matrix-Weibull Model): $h_\beta(t) = \beta t^{\beta-1}$ का उपयोग करते हुए, विधि का परीक्षण 2 ट्रांजिएंट स्टेट्स के साथ 1,000 पथों पर किया गया। एल्गोरिदम 23 पुनरावृत्तियों के बाद सटीक अनुमानों (जैसे, वास्तविक $\beta=3$ , अनुमानित $\hat{\beta} \approx 2.97$ ) तक अभिसरित हुआ। KS टेस्ट ने 0.5004 का p-वैल्यू दिया, जो वास्तविक अवशोषण-समय वितरण को पुनरुत्पादित करने की मॉडल की क्षमता की पुष्टि करता है।

3.2 वास्तविक-डेटा अनुप्रयोग

विधि को कोरोनरी एलोग्राफ्ट वास्कुलोपैथी (CAV) प्रगति की निगरानी करने वाले 622 हार्ट ट्रांसप्लांट प्राप्तकर्ताओं के डेटासेट पर लागू किया गया। डेटा में रोगी की अवस्थाओं (CAV-मुक्त, हल्का, मध्यम/गंभीर) और मृत्यु (अवशोषक अवस्था) के अनियमित अंतराल पर अवलोकन शामिल थे।

मॉडल फिट: गोम्पर्ट्ज़ स्केलिंग फंक्शन ( $h_\beta(t) = e^{\beta t}$ ) के साथ एक टाइम-स्केल वाले IPH मॉडल को फिट किया गया। अनुमानित मापदंडों ने संकेत दिया कि संक्रमण तीव्रताएं समय के साथ तेजी से (exponentially) बढ़ती हैं।
तुलना: फिट किए गए इनहॉमोजेनियस मॉडल की तुलना एक होमोजेनियस PH मॉडल से की गई। इनहॉमोजेनियस मॉडल ने काफी बेहतर फिट प्रदान किया (KS p-वैल्यू = 0.5966), जबकि होमोजेनियस मॉडल (KS p-वैल्यू = 0.01066) की तुलना में, जो इस संदर्भ में समय-परिवर्तनीय तीव्रताओं को ध्यान में रखने की आवश्यकता को प्रदर्शित करता है।
व्याख्या: परिणामों ने रेखांकित किया कि मध्यम/गंभीर अवस्था वाले रोगियों में मृत्यु का तात्कालिक जोखिम सबसे अधिक था, और मॉडल ने रोग की प्रगति से जुड़ी त्वरित जोखिम गतिशीलता को कैप्चर किया।

4. महत्व और दावे

यह शोध पत्र अनियमित मल्टी-स्टेट डेटा के लिए टाइम-स्केल वाले IPH मॉडल को फिट करने के लिए एक लचीला और गणनात्मक रूप से सुलभ उपकरण प्रदान करने का दावा करता है। मुख्य योगदान शामिल हैं:

मिसिंग डेटा को संभालना: फ्रेमवर्क अनोब्जर्व ट्रांजिशन और अवशोषण समय की चुनौती को प्रभावी ढंग से संबोधित करता है, उन्हें मिसिंग डेटा के रूप में मानकर और मार्कोव ब्रिजेस के माध्यम से उन्हें पुनर्गठित करके।
प्रतिबंधित अनुकूलन से बचाव: पूर्ण-डेटा अपडेट का उपयोग करके, विधि ऑब्जर्व्ड-डेटा लाइक्लिहुड के कठिन कड़े गैर-रेखीय अनुकूलन से बचती है। $\Lambda$ के लिए अपडेट क्लोज्ड-फॉर्म है, और $\beta$ के लिए अपडेट एक आयामी ग्रेडिएंट एसेंट है।
सैद्धांतिक आधार: लेखक समय-स्केल वाले उप-वर्ग के लिए पहचान क्षमता (identifiability) की शर्तों को स्थापित करते हैं, जो बेसलाइन मैट्रिक्स और स्केलिंग फंक्शन के बीच पैरामीटर कन्फाउंडिंग को खारिज करते हैं।
व्यावहारिक उपयोगिता: CAV अनुप्रयोग के माध्यम से, यह पेपर प्रदर्शित करता है कि प्रस्तावित SEM-आधारित अनुमान विधि विश्वसनीय पैरामीटर अनुमान प्रदान करती है और अनियमित अवलोकनों के साथ वास्तविक दुनिया के परिदृश्यों में होमोजेनियस समकक्षों से बेहतर प्रदर्शन करते हुए, समय-परिवर्तनीय संक्रमण तीव्रताओं की अस्थायी विकास को सटीक रूप से कैप्चर करती है।

लेखक इस बात पर जोर देते हैं कि रिपोर्ट किए गए अनुमानक सिम्युलेटेड पूर्ण-डेटा वास्तविकताओं पर मूल्यांकित अधिकतम-संभावना अनुमानक (maximum-likelihood estimators) हैं। मानक SEM स्थितियों के तहत, अनुमानकों का क्रम एक एर्गोडिक मार्कोव चेन बनाता है जो ऑब्जर्ड-डेटा मैक्सिमाइज़र के पास केंद्रित होता है, जो मोंटे कार्लो परिवर्तनशीलता तक अधिकतम-संभावना अनुमानों की व्याख्या को बनाए रखता है।