Either a Confidence Interval Covers, or It Doesn't (Or Does It?): A Model-Based View of Ex-Post Coverage Probability
यह शोध पत्र इस सख्त व्यवहारवादी व्याख्या को चुनौती देता है कि एक प्राप्त विश्वास अंतराल (confidence interval) या तो पैरामीटर को कवर करता है या नहीं करता है, और इसके बजाय यह तर्क देता है कि कवरेज को एक भविष्य कहने वाली प्रायिकता (predictive probability) के रूप में मानने वाला एक मॉडल-आधारित दृष्टिकोण दीर्घकालिक त्रुटि दरों के साथ गणितीय रूप से सुसंगत है और डेटा-पश्चात अनुमान (post-data inference) के लिए एक अधिक सूक्ष्म ढांचा प्रदान करता है।
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
मुख्य प्रश्न: "क्या जाल में मछली पकड़ी गई?"
कल्पना कीजिए कि आप एक मछुआरे हैं। आपके पास एक जाल है जो लंबे समय में 95% बार मछली पकड़ता है। यह आपका "कॉन्फिडेंस इंटरवल" (Confidence Interval) है।
एक दिन, आप जाल फेंकते हैं। आप उसे खींचते हैं। अंदर एक मछली है।
- पारंपरिक दृष्टिकोण (नेमन का नारा): एक सख्त सांख्यिकीविद (statistician) कहेगा, "संभावना (probability) के बारे में बात करना बंद करो! मछली या तो जाल में है या नहीं है। चूंकि आप मछली को देख सकते हैं, इसलिए संभावना 100% (या 0%) है। अब कोई 'शायद' बाकी नहीं बचा। संभावना केवल जाल फेंकने से पहले मौजूद होती है।"
- लेखक का दृष्टिकोण (स्कॉट ली): यह पेपर तर्क देता है कि सख्त दृष्टिकोण बहुत कठोर है और वास्तव में सांख्यिकी के तर्क को तोड़ देता है। सिर्फ इसलिए कि आपने मछली देख ली है, इसका मतलब यह नहीं है कि आप उस गणित को छोड़ दें जो बताता है कि आपका जाल आमतौर पर कितना अच्छा है। हम अभी भी इस बारे में बात कर सकते हैं कि इस विशिष्ट पकड़ की सफलता की "संभावना" क्या थी, भले ही हमने उसे देख लिया हो।
मुख्य तर्क: एक ही घटना को देखने के दो तरीके
लेखक कहता है कि संभावना को देखने के दो वैध तरीके हैं, और हमें किसी एक को सिर्फ इसलिए प्रतिबंधित नहीं करना चाहिए क्योंकि हमने परिणाम देख लिया है।
1. "डिज़ाइन लेवल" का दृष्टिकोण (ब्लूप्रिंट)
सोचिए कि एक फैक्ट्री खिलौना कारें बना रही है। ब्लूप्रिंट कहता है: "इनमें से 95% कारों के ब्रेक काम करेंगे।"
- बनाने से पहले: आप कहते हैं, "इस कार के ब्रेक काम करने की 95% संभावना है।"
- बनाने के बाद: आप कार देखते हैं। इसके ब्रेक काम कर रहे हैं।
- सख्त सांख्यिकीविद कहता है: "अब जब आप देख रहे हैं कि ब्रेक काम कर रहे हैं, तो संभावना 100% है। 95% वाला नंबर इस विशिष्ट कार के लिए बेकार है।"
- लेखक कहता है: "रुको जरा। यदि मुझे इस कार को ग्राहक को बेचने का निर्णय लेना है, तो मैं अभी भी जानना चाहता हूँ: 'क्या यह कार उस 95% का हिस्सा है जो काम करती है, या उस 5% का जो विफल होती है?' भले ही मैं अभी इसके आंतरिक तंत्र को नहीं देख सकता, लेकिन जिस प्रक्रिया ने इसे बनाया, उसकी सफलता दर अभी भी 95% है। उस दर को अनदेखा करना मुझे एक बुरा निर्णय लेने वाला बना देगा।"
2. "माइक्रोस्टेट" का दृष्टिकोण (अनंत फिल्म)
एक मूवी कैमरा की कल्पना करें जो मछली पकड़ने के अनंत प्रयास रिकॉर्ड कर रहा है।
- सख्त दृष्टिकोण: फिल्म के किसी भी एक फ्रेम में, मछली या तो जाल में है या नहीं है। यह एक तथ्य है।
- लेखक का दृष्टिकोण: "संभावना" केवल एक फ्रेम के बारे में नहीं है; यह पूरी फिल्म के पैटर्न के बारे में है। भले ही हम एक विशिष्ट फ्रेम देख रहे हों जहाँ मछली पकड़ी गई है, वह फ्रेम एक लंबी श्रृंखला का हिस्सा है जहाँ 95% फ्रेम में मछली पकड़ी जाती है। हम अभी भी इस बारे में बात कर सकते हैं कि यह फ्रेम "पकड़" वाले समूह से संबंधित होने की कितनी "संभावना" रखता है, यह देखते हुए कि कैमरा (प्रयोग) कैसे सेट किया गया था।
विचार प्रयोग (क्यों सख्त दृष्टिकोण मूर्खतापूर्ण है)
लेखक तीन मजेदार कहानियों का उपयोग यह दिखाने के लिए करता है कि यह कहना कि "यह या तो 0 है या 1 है" वास्तविक दुनिया में समस्याएं पैदा करता है।
कहानी 1: बीमार मरीज (डॉक्टर)
एक मरीज का फ्लू टेस्ट पॉजिटिव आता है। टेस्ट 81% सटीक है (पॉजिटिव प्रेडिक्टिव वैल्यू)।
- सख्त तर्क: "मरीज को फ्लू है या नहीं है। चूंकि हमें नहीं पता कि कौन सा है, इसलिए हम कोई संभावना निर्धारित नहीं कर सकते। हमें बस अंधेरे में अनुमान लगाना होगा।"
- समस्या: यदि डॉक्टर इस तर्क का पालन करता है, तो वह दवा देने का निर्णय लेने के लिए 81% संख्या का उपयोग नहीं कर पाएगा। उन्हें कहना होगा, "मुझे नहीं पता कि उसे फ्लू है या नहीं, इसलिए मैं इलाज नहीं करूँगा।" यह खराब चिकित्सा पद्धति है!
- सुधार: हमें 81% संख्या का उपयोग निर्णय लेने के लिए करना ही होगा, भले ही मरीज की वास्तविक स्वास्थ्य स्थिति पहले से ही तय हो चुकी है।
कहानी 2: बिल्ली और ट्रीट (Treats)
सोफी नाम की एक बिल्ली को एक ट्रीट (उपहार/भोजन) मिलता है। 75% सीफूड (जो उसे पसंद है) हैं, 25% चिकन हैं।
- परिदृश्य: मालिक एक ट्रीट चुनता है, लेकिन उसे देखता नहीं है। बिल्ली उसे खाती है और म्याऊं-म्याऊं करती है।
- सख्त तर्क: "वह ट्रीट या तो सीफूड था या चिकन। एक बार जब बिल्ली ने उसे खा लिया, तो स्वाद तय हो गया। अब हम इसके सीफूड होने की संभावना के बारे में बात नहीं कर सकते।"
- समस्या: यदि मालिक जानना चाहता है, "उस ट्रीट के सीफूड होने की क्या संभावना थी?" तो उन्हें गणित का उपयोग करने की आवश्यकता है। यदि वे इस कारण से गणित का उपयोग करने से इनकार करते हैं क्योंकि "स्वाद पहले से ही तय है," तो वे बिल्ली के व्यवहार की भविष्यवाणी नहीं कर पाएंगे या स्थिति को समझ नहीं पाएंगे।
कहानी 3: चॉकलेट ट्रफल्स (मशीन)
एक मशीन चॉकलेट ट्रफल्स बनाती है। कभी-कभी यह भरने में विफल रहती है (वे खोखले होते हैं)। दूसरी मशीन उनकी जांच करती है।
- परिदृश्य: पहली मशीन एक ट्रफल बनाती है। दूसरी मशीन ने अभी तक उसकी जांच नहीं की है।
- पहेली: यदि हम कहते हैं "ट्रफल भरा हुआ है या खोखला है," तो हम एक विरोधाभास पैदा करते हैं। यदि हम मान लेते हैं कि यह भरा हुआ है, तो गणित कहता है कि अगला ट्रफल 90.5% चांस के साथ भरा हुआ होगा। यदि हम मान लेते हैं कि यह खोखला है, तो गणित कहता है कि अगले ट्रफल की संभावना 90% होगी।
- लेखक का बिंदु: यदि हम किसी एक "सत्य" अवस्था (भरा हुआ या खोखला) को चुनने के लिए खुद को मजबूर करते हैं, तो हम उस गणित को तोड़ देते जो अगले ट्रफल की भविष्यवाणी करता है। हमें अगले ट्रफल के व्यवहार को समझने के लिए "90% संभावना" को जीवित रखना होगा।
समाधान: "प्रेडिक्टिव प्रोबेबिलिटी" (अनुमानित संभावना)
लेखक सुझाव देता है कि हमें संभावना को इस तरह मानना बंद कर देना चाहिए कि वह डेटा देखने के बाद "मर" जाती है। इसके बजाय, वह कॉन्फिडेंस (विश्वास) के बारे में सोचने का एक नया तरीका प्रस्तावित करता है:
कॉन्फिडेंस एक मौसम के पूर्वानुमान की तरह है।
- तूफान से पहले: मौसम विज्ञानी कहता है, "बारिश होने की 95% संभावना है।"
- तूफान के दौरान: बारिश हो रही है।
- सख्त दृष्टिकोण: "बारिश हो रही है! संभावना 100% है। पूर्वानुमान केवल एक अनुमान था।"
- लेखक का दृष्टिकोण: "पूर्वानुमान मौसम मॉडल के आधार पर एक भविष्यवाणी थी। भले ही अब बारिश हो रही है, फिर भी पूर्वानुमान की गुणवत्ता उस 95% सटीकता द्वारा परिभाषित की जाती है। यदि मैं बारिश देखने से पहले छाता लाने के बारे में निर्णय लेना चाहता था, तो मैं उसी पर भरोसा करता हूँ।"
नया नियम:
जब हम बाद में कॉन्फिडेंस इंटरवल को देखते हैं, तो हमें केवल यह नहीं कहना चाहिए कि "यह 0 या 1 है।" हमें कहना चाहिए:
"जिस विधि का हमने उपयोग किया है, और हमारे पास जो डेटा है, उसके आधार पर, यह कितना संभावित है कि यह विशिष्ट अंतराल एक 'अच्छा' अंतराल है?"
यह हमें अनुमति देता है:
- दीर्घकालिक सटीकता (95% नियम) को बनाए रखने की।
- वास्तविक दुनिया में स्मार्ट निर्णय लेने की (जैसे डॉक्टर द्वारा दवा देना)।
- इस तार्किक जाल से बचने की कि "संभावना अब मौजूद नहीं है।"
निष्कर्ष (Takeaway)
यह पेपर तर्क देता है कि प्रसिद्ध नारा "या तो यह कवर करता है, या नहीं करता" बहुत प्रतिबंधात्मक है। यह संभावना को एक लाइट स्विच की तरह मानता है जो डेटा देखते ही बंद हो जाता है।
इसके बजाय, लेखक चाहता है कि हम संभावना को एक मानचित्र (Map) की तरह मानें। भले ही आप मानचित्र पर एक विशिष्ट स्थान पर खड़े हों (वास्तविक डेटा), मानचित्र अभी भी आपको बताता है कि आप "सुरक्षित क्षेत्र" में होने की कितनी संभावना रखते हैं, यह देखते हुए कि मानचित्र कैसे बनाया गया था। हम वहां पहुँचने के बाद भी सुरक्षित क्षेत्र में होने की संभावना के बारे में बात कर सकते हैं, क्योंकि वह संभावना यात्रा की विश्वसनीयता का वर्णन करती है, न कि केवल गंतव्य का।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।