📊 statistics

A Goodness-of-Fit Test for Mixed-Effects Logistic Regression

यह शोध पत्र एक डेटा-संचालित ग्रुपिंग-आधारित वाल्ड टेस्ट (Wald test) प्रस्तुत करता है जिसे स्टेटा (Stata) में कार्यान्वित किया गया है, जो रैंडम स्लोप्स वाले मिक्स्ड-इफेक्ट्स लॉजिस्टिक रिग्रेशन मॉडल के लिए गुडनेस-ऑफ-फिट मूल्यांकन का विस्तार करता है, और उन विरल क्लस्टर सेटिंग्स में भी प्रभावी रूप से नाममात्र टाइप I त्रुटि को बनाए रखता है और फिक्स्ड-इफेक्ट्स मिसस्पेसिफिकेशन का पता लगाता है जहाँ पिछले तरीके विफल हो जाते हैं।

मूल लेखक: Ariel Linden

प्रकाशित 2026-04-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ariel Linden

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 अनुमान लगाने की कोशिश कर रहे हैं कि क्या कोई मरीज बीमारी से ठीक होगा या नहीं। आपके पास हजारों मरीजों का डेटा है, लेकिन ये मरीज केवल शून्य में नहीं तैर रहे हैं; वे समूहों में बँधे हुए हैं। कुछ मरीज एक ही परिवार के हैं, कुछ एक ही डॉक्टर द्वारा इलाज किए जा रहे हैं, और कुछ एक ही अस्पताल में हैं।

सांख्यिकी (statistics) में, इसे मिक्स्ड-इफेक्ट्स लॉजिस्टिक रिग्रेशन (Mixed-Effects Logistic Regression) कहा जाता है। यह एक शानदार तरीका कहने का है कि, "आइए हम एक 'हाँ/नहीं' वाले परिणाम (जैसे रिकवरी) का अनुमान लगाएं, जबकि इस बात को स्वीकार करें कि एक ही समूह के लोग एक-दूसरे से और अन्य समूहों के लोगों से अधिक समान होते हैं।"

लंबे समय तक, सांख्यिकीविदों के पास एक समस्या थी: आप कैसे जानेंगे कि आपका प्रेडिक्शन मॉडल वास्तव में कितना अच्छा है?

समस्या: "एक-आकार-सभी-के-लिए-फिट" वाला पैमाना (The "One-Size-Fits-All" Ruler)

साधारण डेटा के लिए (जहाँ सभी स्वतंत्र हैं), सांख्यिकीविदों के पास एक उपकरण है जिसे होस्मर-लेमेशो टेस्ट (Hosmer-Lemeshow test) कहा जाता है। इसे एक पैमाने (रूलर) की तरह समझें। यह जाँचने के लिए कि क्या आपका मॉडल फिट बैठता है, पैमाना सभी मरीजों को रिकवरी की संभावना के आधार पर 10 बाल्टियों (buckets) में विभाजित करता है। फिर यह जाँचता है: "क्या मॉडल ने प्रत्येक बाल्टी में सही संख्या में रिकवरी की भविष्यवाणी की?"

हालाँकि, जटिल, समूहबद्ध डेटा पर लागू होने पर इस पैमाने में दो प्रमुख दोष थे:

यह "ढलान" (Slopes) को नहीं संभाल सका: कभी-कभी, एक उपचार अलग-अलग परिवारों के लिए अलग तरह से काम करता है। शायद यह परिवार A के लिए बहुत अच्छा काम करता है लेकिन परिवार B के लिए खराब। पुराने परीक्षण उन मॉडलों की जाँच नहीं कर सके जिनमें इन अंतरों की अनुमति थी।
यह छोटे समूहों पर टूट गया: पैमाना हमेशा 10 बाल्टियाँ बनाने की कोशिश करता था। लेकिन क्या होगा यदि आपके पास एक विशिष्ट परिवार में केवल 5 मरीज हैं? आप 5 लोगों को 10 बाल्टियों में बिना खाली छोड़े कैसे डाल सकते हैं? पुराना तरीका क्रैश हो जाता और हार मान लेता, जिससे शोधकर्ताओं के पास अपना काम जाँचने का कोई तरीका नहीं बचता।

समाधान: एक नया, लचीला पैमाना

एरियल लिंडन, इस पेपर के लेखक, ने एक नया टूल बनाया जिसे mlm_gof कहा जाता है। इसे एक स्मार्ट, एडजस्टेबल रूलर के रूप में सोचें जो दोनों समस्याओं को ठीक करता है।

1. "स्मार्ट बकेट" नियम (The "Smart Bucket" Rule - डेटा-संचालित नियम)

चाहे जो भी हो, 10 बाल्टियाँ बनाने के बजाय, यह नया टूल पहले आपके सबसे छोटे समूह को देखता है।

उपमा (Analogy): कल्पना कीजिए कि आप कांच की गोलियों को जार में छाँट रहे हैं। यदि आपका सबसे छोटा जार केवल 3 गोलियां रख सकता है, तो आप 10 जार बनाने की कोशिश नहीं करते; आप बस 3 जार बनाते हैं।
नियम: टूल कहता है, "मैं उतनी ही बाल्टियाँ बनाऊंगा जितने लोगों का आपके सबसे छोटे समूह में होना है, लेकिन मैं कभी भी 10 से अधिक नहीं बनाऊंगा।"
- यदि आपके सबसे छोटे समूह में 20 लोग हैं, तो यह 10 बाल्टियाँ बनाता है (मानक)।
- यदि आपके सबसे छोटे समूह में केवल 5 लोग हैं, तो यह 5 बाल्टियाँ बनाता है।
यह क्यों महत्वपूर्ण है: यह उस "क्रैश" को रोकता है जो पुराने तरीके के साथ होता था। यह सुनिश्चित करता है कि टेस्ट तब भी काम करे जब आपके पास डेटा के छोटे, विरल (sparse) समूह हों।

2. "ढलान" की जाँच करना (Random Effects)

नया टूल अब उन मॉडलों को संभाल सकता है जहाँ उपचार का प्रभाव समूह से समूह में बदल जाता है।

उपमा: कल्पना कीजिए कि आप एक नए डाइट (आहार) का परीक्षण कर रहे हैं। पुराने टेस्ट ने माना कि डाइट हर किसी के लिए बिल्कुल एक ही तरह से काम करती है। नया टेस्ट स्वीकार करता है कि कुछ परिवारों के लिए, डाइट एक जादू की तरह हो सकती है, जबकि दूसरों के लिए, यह कुछ भी नहीं कर सकती। यह जाँचता है कि क्या मॉडल इन विभिन्न "व्यक्तित्वों" को सही ढंग से पकड़ पाता है।

यह टेस्ट कैसे काम करता है (द "स्ट्रेस टेस्ट")

यहाँ बताया गया है कि यह नया टूल चरण-दर-चरण कैसे जाँचता है कि आपका मॉडल अच्छा है या नहीं:

भविpredictions (Predictions) बनाना: मॉडल हर व्यक्ति के लिए रिकवरी की संभावना का अनुमान लगाता है।
क्रमबद्ध और समूहीकृत करना: यह लोगों को उनके विशिष्ट परिवारों के भीतर रिकवरी की संभावना के आधार पर "बाल्टियों" में क्रमबद्ध करता है।
एक "ट्रैप" जोड़ना: यह गणित में एक विशेष "ट्रैप" वेरिएबल जोड़ता है। यह वेरिएबल पूछता है: "हे, क्या बाल्टियों में कोई ऐसे पैटर्न हैं जिन्हें मॉडल ने मिस कर दिया है?"
निर्णय: यह एक सांख्यिकीय जाँच (Wald test) चलाता है।
- यदि परिणाम "नहीं" है (उच्च p-value): ट्रैप ने कुछ भी नहीं पकड़ा। मॉडल बहुत अच्छा काम कर रहा है; भविष्यवाणियाँ वास्तविकता से मेल खाती हैं।
- यदि परिणाम "हाँ" है (कम p-value): ट्रैप ने कुछ पकड़ लिया! मॉडल कुछ महत्वपूर्ण चीज़ मिस कर रहा है (जैसे कि नॉन-लीनियर संबंध या एक गायब इंटरैक्शन)।

सिमुलेशन ने क्या दिखाया

लेखक ने यह देखने के लिए कि क्या यह नया रूलर काम करता है, हजारों कंप्यूटर प्रयोग (सिमुलेशन) चलाए।

यह गलत चेतावनी नहीं देता: जब मॉडल एकदम सही था, तो इसने शायद ही कभी कहा कि यह बुरा था (इसने "Type I error" को कम रखा)।
यह गलतियों को पकड़ता है: जब मॉडल पहेली का एक मुख्य हिस्सा मिस कर रहा था (जैसे कि घुमावदार संबंध या गायब इंटरैक्शन), तो टेस्ट उसे पहचानने में बहुत अच्छा था।
इसका एक अंधा मोड़ (Blind spot) है: टेस्ट प्रेडिक्टर्स (वे वेरिएबल्स जिन्हें आप डालते हैं) में त्रुटियों को खोजने में बहुत अच्छा है, लेकिन यह आपको यह नहीं बता सकता कि आपने ग्रुपिंग का एक पूरा स्तर (level) मिस कर दिया है।
- उपमा: यदि आपने यह ध्यान नहीं रखा कि मरीज अस्पताल के आधार पर समूहबद्ध हैं, तो यह टेस्ट अनिवार्य रूप से आपको यह नहीं बताएगा। यह ऐसा है जैसे आप रेसिपी की जाँच कर रहे हैं, लेकिन यह नोटिस नहीं कर पा रहे हैं कि आपने एक परिवार के बजाय पूरी सेना के लिए खाना बनाने का उल्लेख करना भूल गए हैं। इसके लिए, आपको एक अलग टूल की आवश्यकता होगी।

निष्कर्ष (The Takeaway)

यह पेपर शोधकर्ताओं को उनके जटिल चिकित्सा और सामाजिक विज्ञान मॉडलों के लिए एक विश्वसनीय, लचीली चेकलिस्ट देता है।

पहले: यदि आपके पास छोटे समूह या जटिल मॉडल थे, तो आप अंधेरे में तीर चला रहे थे, इस उम्मीद में कि आपका मॉडल सही होगा।
अब: आपके पास एक टूल (mlm_gof) है जो आपके डेटा के आकार के अनुसार खुद को स्वचालित रूप से ढाल लेता है और जाँचता है कि क्या आपका मॉडल वास्तव में वास्तविकता का वर्णन कर रहा है।

यह एक कठोर, टूटने वाले पैमाने से एक स्मार्ट, लचीले मापने वाले टेप में अपग्रेड करने जैसा है जो यह सुनिश्चित करता है कि आपके वैज्ञानिक निष्कर्ष ठोस जमीन पर बने हैं।

यहाँ एरियल लिंडेन के शोध पत्र "A Goodness-of-Fit Test for Mixed-Effects Logistic Regression" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मिश्रित-प्रभाव लॉजिस्टिक रिग्रेशन (Mixed-effects logistic regression) पदानुक्रमित डेटा (hierarchical data) में बाइनरी परिणामों (जैसे, डॉक्टरों के भीतर रोगी, या व्यक्तियों के भीतर बार-बार किए गए माप) के विश्लेषण के लिए एक मानक उपकरण है। हालाँकि, इन मॉडलों के लिए गुडनेस-ऑफ-फिट (GOF) का आकलन करना एक महत्वपूर्ण चुनौती बनी हुई है:

सीमित दायरा: मौजूदा औपचारिक GOF परीक्षण (जैसे, हॉस्मर-लेमेशो टेस्ट के विस्तार) रैंडम इंटरसेप्ट मॉडल (random intercept models) तक ही सीमित हैं। वे रैंडम स्लोप (random slopes) को शामिल करने में विफल रहते हैं, जहाँ एक कोवेरिएट का प्रभाव विभिन्न क्लस्टर्स में भिन्न होता है।
स्पार्स क्लस्टर की समस्या (Sparse Cluster Issues): पारंपरिक विधियाँ अवलोकनों को 10 समूहों ( $G=10$ ) में विभाजित करने के एक निश्चित नियम पर निर्भर करती हैं। मिश्रित-प्रभाव सेटिंग्स में, क्लस्टर्स में अक्सर 10 से कम अवलोकन होते हैं। इससे खाली सेल (empty cells), डिजेनरेट इंडिकेटर वेरिएबल्स और अनुमान विफलता (estimation failure) जैसी स्थितियाँ उत्पन्न होती हैं।
साहित्य में अंतराल: ऐसा कोई सुदृढ़, औपचारिक GOF परीक्षण नहीं है जो रैंडम स्लोप और स्पार्स क्लस्टर आकार दोनों को एक साथ संभाल सके।

2. कार्यप्रणाली (Methodology)

लेखक एक ग्रुपिंग-आधारित वाल्ड सांख्यिकी (grouping-based Wald statistic) पर आधारित एक नया GOF परीक्षण प्रस्तावित करते हैं, जिसे रैंडम स्लोप वाले मिश्रित-प्रभाव मॉडलों के लिए अनुकूलित किया गया है।

परीक्षण प्रक्रिया

यह विधि छह-चरणीय प्रक्रिया का पालन करती है जिसे स्टेटा (Stata) प्रोग्राम mlm_gof में लागू किया गया है:

बेसलाइन मॉडल: प्रेडिक्टेड प्रोबेबिलिटी ( $\hat{p}_{ij}$ ) प्राप्त करने के लिए मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) का उपयोग करके मिश्रित-प्रभाव लॉजिस्टिक मॉडल (रैंडम इंटरसेप्ट और स्लोप सहित) फिट करें।
डेटा-संचालित समूह चयन: $G=10$ को स्थिर रखने के बजाय, समूहों की संख्या इस नियम द्वारा निर्धारित की जाती है:
$G = \min(10, n_{min})$
जहाँ $n_{min}$ सबसे छोटे क्लस्टर का आकार है। यह सुनिश्चित करता है कि प्रत्येक समूह में प्रति क्लस्टर कम से कम एक अवलोकन हो, जिससे अनुमान विफलता को रोका जा सके।
ग्रुपिंग (Grouping): प्रत्येक क्लस्टर के भीतर, अवलोकनों को प्रेडिक्टेड प्रोबेबिलिटी के आधार पर क्रमबद्ध किया जाता है और उन्हें $G$ लगभग समान आकार के समूहों में आवंटित किया जाता है।
ऑगमेंटेड मॉडल (Augmented Model): इन समूहों का प्रतिनिधित्व करने वाले $G-1$ बाइनरी इंडिकेटर वेरिएबल्स बनाएँ। इन इंडिकेटर्स को फिक्स्ड इफेक्ट्स के रूप में मूल मॉडल में जोड़ा जाता है।
रीफिटिंग (Refitting): मूल रैंडम-इफेक्ट्स संरचना को बनाए रखते हुए ऑगमेंटेड मॉडल का अनुमान लगाएँ।
वाल्ड सांख्यिकी (Wald Statistic): समूह इंडिकेटर्स की संयुक्त सार्थकता ( $H_0: \gamma_2 = \dots = \gamma_G = 0$ ) के लिए वाल्ड सांख्यिकी ( $W$ ) का उपयोग करके परीक्षण करें, जो $\chi^2$ वितरण (degrees of freedom $G-1$ के साथ) का अनुसरण करता है।

सिमुलेशन डिज़ाइन

इस विधि को एक व्यापक सिमुलेशन अध्ययन (44,000 पुनरावृत्ति) के माध्यम से मान्य किया गया, जिसमें शामिल थे:

तीन-स्तरीय मॉडल (Three-level models): परिवार $\to$ विषय $\to$ बार-बार किए गए माप।
रैंडम स्लोप्स (Random Slopes): वास्तविक डेटा-जनरेटिंग प्रक्रिया में शामिल।
परिदृश्य (Scenarios): क्लस्टर आकार ( $J=15, 30, 50$ ), क्लस्टर की संख्या, और इंट्राक्लास कोरिलेशन कोएफिशिएंट (ICC) में भिन्नता।
मिसस्पेसिफिकेशन के प्रकार (Misspecification Types): छोड़े गए क्वाड्रेटिक टर्म्स (omitted quadratic terms), छोड़े गए इंटरैक्शन, और छोड़े गए क्लस्टरिंग स्तर।

3. मुख्य योगदान (Key Contributions)

रैंडम स्लोप्स के लिए विस्तार: यह परीक्षण पहला औपचारिक GOF प्रक्रिया है जो उन मिश्रित-प्रभाव लॉजिस्टिक मॉडलों का मूल्यांकन करने में सक्षम है जहाँ रिग्रेशन कोएफिशिएंट्स (स्लोप्स) क्लस्टर्स के बीच रैंडम रूप से भिन्न होते हैं।
डेटा-संचालित ग्रुपिंग नियम: $G = \min(10, n_{min})$ का परिचय स्पार्स क्लस्टर्स में परीक्षण विफलता की गंभीर समस्या को हल करता है। यह शोध दर्शाता है कि पारंपरिक $G=10$ नियम छोटे क्लस्टर्स ( $n < 10$ ) वाले संतुलित डिजाइनों में पूर्ण परीक्षण विफलता का कारण बनता है।
कार्यान्वयन: विधि को समुदाय-योगदान वाले स्टेटा प्रोग्राम mlm_gof के माध्यम से क्रियान्वित किया गया है, जिससे यह अनुप्रयुक्त शोधकर्ताओं के लिए सुलभ हो गया है।

4. मुख्य परिणाम (Key Results)

सिमुलेशन अध्ययन से तीन प्राथमिक निष्कर्ष प्राप्त हुए:

टाइप I एरर कंट्रोल (Type I Error Control): परीक्षण 24 नल परिदृश्यों में, जिसमें सबसे छोटे सैंपल साइज ( $N=1,500$ ) भी शामिल हैं, नाममात्र टाइप I एरर दर (0.05) को बनाए रखता है। यह प्रदर्शन वहां भी स्थिर है जहां पिछले अध्ययनों ने अस्थिरता की सूचना दी थी।
मिसस्पेसिफिकेशन का पता लगाने की शक्ति (Power to Detect Misspecification):
- छोड़े गए नॉन-लीनियैरिटी (Omitted Nonlinearity): परीक्षण ने छोड़े गए क्वाड्रेटिक टर्म्स का पता लगाने की बढ़ती शक्ति दिखाई, जो 0.07 (नगण्य प्रभाव) से बढ़कर 1.00 (मजबूत प्रभाव) तक पहुँच गई।
- छोड़े गए इंटरैक्शन (Omitted Interactions): मजबूत इंटरैक्शन प्रभावों के लिए शक्ति 0.87 तक पहुँच गई।
- छोड़ा गया क्लस्टरिंग स्तर (Omitted Clustering Level): अपेक्षा के अनुरूप, परीक्षण का क्लस्टरिंग स्तर के विलोपन (जैसे, 3-स्तरीय डेटा के लिए 2-स्तरीय मॉडल फिट करना) का पता लगाने में कोई पावर नहीं था। यह एक संरचनात्मक सीमा है, क्योंकि परीक्षण कंडीशनल प्रेडिक्टेड प्रोबेबिलिटीज के पैटर्न का पता लगाता है, जो आवश्यक रूप से गायब रैंडम इंटरसेप्ट्स से परिवर्तित नहीं होते हैं।
ग्रुप सिलेक्शन संवेदनशीलता (Group Selection Sensitivity):
- अनबैलेंस्ड डिजाइनों में, डेटा-संचालित नियम और फिक्स्ड $G=10$ दोनों समान प्रदर्शन करते हैं (बड़े क्लस्टर्स द्वारा संचालित)।
- छोटे क्लस्टर्स ( $n < 10$ ) वाले बैलेंस्ड डिजाइनों में, $G=10$ को फिक्स करने से 100% परीक्षण विफलता हुई, जबकि डेटा-संचालित नियम ने सभी पुनरावृत्तियों में वैध परिणाम दिए।

5. महत्व और निहितार्थ (Significance and Implications)

व्यावहारिक उपयोगिता: mlm_gof कमांड मल्टीलेवल बाइनरी डेटा विश्लेषण के डायग्नोस्टिक टूलकिट में एक महत्वपूर्ण अंतर को भरता है, जिससे शोधकर्ताओं को जटिल रैंडम-स्लोप परिदृश्यों में मॉडल फिट का औपचारिक रूप से आकलन करने की अनुमति मिलती है।
पद्धतिगत प्रगति: फुल मैक्सिमम लाइकलीहुड एस्टीमेशन (adaptive Gauss–Hermite quadrature के माध्यम से) का उपयोग करके, परीक्षण अधिक विश्वसनीय पैरामीटर अनुमान प्रदान करता है, विशेष रूप से छोटे नमूनों में।
शोधकर्ताओं के लिए मार्गदर्शन: यह शोध स्पष्ट करता है कि जबकि यह परीक्षण फिक्स्ड-इफेक्ट्स मिसस्पेसिफिकेशन (नॉन-लीनियैरिटी, इंटरैक्शन) का पता लगाने के लिए उत्कृष्ट है, इसे रैंडम-इफेक्ट्स संरचना की पर्याप्तता का आकलन करने के लिए लाइकलीहुड-आधारित मॉडल तुलना (जैसे, AIC/BIC) के साथ जोड़ा जाना चाहिए।
मजबूती (Robustness): प्रस्तावित डेटा-संचालित ग्रुपिंग नियम यह सुनिश्चित करता है कि छोटे क्लस्टर्स वाले अध्ययनों में भी GOF टेस्टिंग संभव है, जो स्वास्थ्य सेवा और सामाजिक विज्ञान अनुसंधान में एक सामान्य परिदृश्य है।

निष्कर्षतः, यह कार्य मिश्रित-प्रभाव लॉजिस्टिक मॉडलों को मान्य करने के लिए एक सिद्धांतवादी, सुदृढ़ और कार्यान्वयन योग्य समाधान प्रदान करता है, जो रैंडम स्लोप्स और स्पार्स डेटा के अधिक सामान्य और जटिल मामलों के लिए GOF परीक्षण की प्रयोज्यता का विस्तार करता है।