📊 statistics

What is your Prior Worth? Effective Sample Size and Sample Size Planning for Gaussian Graphical Models

यह शोध पत्र विशार्ट (Wishart) और जी-विशार्ट (G-Wishart) प्रायोर के अंतर्गत पांच अनुकूलित अनुमानकों (estimators) के माध्यम से एक पूर्व प्रभावी नमूना आकार (prior effective sample size) को औपचारिक रूप देकर गॉसियन ग्राफिकल मॉडल के लिए सिद्धांतपूर्ण नमूना आकार नियोजन की कमी को संबोधित करता है, जिससे शोधकर्ताओं को यह निर्धारित करने में सक्षम बनाया जा सके कि पूर्व सूचना पर हावी होने या निर्णायक एज-आधारित साक्ष्य प्राप्त करने के लिए कितने डेटा आकार की आवश्यकता है।

मूल लेखक: Giuseppe Arena, Lourens Waldorp, Maarten Marsman

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giuseppe Arena, Lourens Waldorp, Maarten Marsman

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 एक रहस्य को सुलझाने की कोशिश कर रहे हैं कि एक सिस्टम (जैसे तनाव, नींद और कॉफी का सेवन) में विभिन्न चर (variables) आपस में कैसे जुड़े हुए हैं। आपके पास जानकारी के दो स्रोत हैं:

आपका "प्रायर" (Prior) ज्ञान: यह वह है जो आप पिछले अध्ययन के आधार पर पहले से ही जानते या मानते हैं। शायद पिछले साल आपके एक सहकर्मी ने एक छोटा अध्ययन किया था और पाया कि कॉफी और नींद के बीच एक गहरा संबंध है। आप उनके निष्कर्षों का उपयोग करने के लिए उन्हें आधार बनाना चाहते हैं।
आपका नया डेटा: यह वह ताज़ा सबूत है जिसे आप इकट्ठा करने जा रहे हैं।

समस्या यह है: आपका "प्रायर" ज्ञान वास्तव में कितना मूल्यवान है?

यदि आपका पिछला अध्ययन बहुत छोटा था (मान लीजिए केवल 5 लोग), लेकिन आप इसे ऐसे देखते हैं जैसे कि यह एक विशाल अध्ययन (मान लीजिए 5,000 लोग) हो, तो आपका नया डेटा दब सकता है। आपके निष्कर्ष केवल पुराने, कमजोर अध्ययन की पुनरावृत्ति बनकर रह जाएंगे। लेकिन यदि आप एक विशाल, उच्च-गुणवत्ता वाले प्रायर अध्ययन को केवल एक अनुमान की तरह देखते हैं, तो आप मूल्यवान अंतर्दृनों को अनदेखा कर सकते हैं।

यह शोध पत्र एक रूलर (माप दंड) बनाने के बारे में है जो सटीक रूप से माप सके कि आपका प्रायर ज्ञान कितने "लोगों" (अवलोकनों) के बराबर है।

मुख्य समस्या: नेटवर्क मॉडल का "ब्लैक बॉक्स"

सांख्यिकी की दुनिया में, विशेष रूप से गौसियन ग्राफिकल मॉडल्स (GGMs) (जो वे फैंसी मानचित्र हैं जो दिखाते हैं कि चर कैसे जुड़ते हैं) के लिए, शोधकर्ता अपने प्रायर ज्ञान को दर्शाने के लिए एक गणितीय उपकरण जिसे विशार्ट (Wishart) या जी-विशार्ट (G-Wishart) वितरण कहते हैं, का उपयोग करते हैं।

इन वितरणों को एक "ब्लैक बॉक्स" के रूप में सोचें जिसमें विश्वासों का एक जटिल जाल छिपा है। हालांकि इस बॉक्स में एक सेटिंग है जिसे "डिग्री ऑफ फ्रीडम" (आइए इसे $\nu$ कहें) कहा जाता है, जो सुनने में ऐसा लगता है जैसे कि यह सैंपल साइज बताता है, लेकिन यह वास्तव में भ्रामक है। क्योंकि इन नेटवर्क में चर आपस में उलझे हुए (एक-दूसरे पर निर्भर) होते हैं, इसलिए बॉक्स के अंदर वास्तविक जानकारी केवल $\nu$ नहीं है। यह एक उलझा हुआ, जटिल जाल है जिसे सुलझाना और गिनना बहुत कठिन है।

इस जाल को गिनने के तरीके के बिना, शोधकर्ता अंधेरे में तीर चला रहे थे। उन्हें यह नहीं पता था कि उन्हें यह सुनिश्चित करने के लिए 100 नए डेटा पॉइंट चाहिए या 1,000, ताकि उनका नया डेटा उनके पुराने विश्वासों से अधिक मजबूत हो सके।

समाधान: "प्रायर इफेक्टिव सैंपल साइज" (ESS) रूलर

लेखकों ने इस "प्रायर वर्थ" (प्रायर के मूल्य) को मापने का एक नया तरीका बनाया है। वे इसे प्रायर इफेक्टिव सैंपल साइज (ESS) कहते हैं।

इस ब्लैक बॉक्स के भीतर की जानकारी को मापने के लिए उन्होंने पाँच अलग-अलग "रूलर" (अनुमानक) विकसित किए हैं।

उपमा: कल्पना कीजिए कि आपके पास मोतियों का एक जार है। कुछ लाल हैं, कुछ नीले हैं, और वे अजीब समूहों में आपस में चिपके हुए हैं। आप जानना चाहते हैं कि आपके पास वास्तव में कितने व्यक्तिगत मोती हैं।
- कुछ रूलर केवल जार का कुल वजन गिनते हैं (चिपके होने की स्थिति को नजरअंदाज करते हुए)।
- अन्य रूलर उन समूहों को सुलझाने की कोशिश करते हैं ताकि वास्तविक मोतियों को गिना जा सके।
- लेखकों ने पाया कि अलग-अलग नेटवर्क के लिए अलग-अलग रूलर अलग-अलग उत्तर देते हैं, जो इस बात पर निर्भर करता है कि नेटवर्क कितना "चिपका हुआ" (निर्भर) है।

उन्होंने पाया कि कुछ नेटवर्कों के लिए, प्रायर $\nu$ द्वारा सुझाए गए मान से अधिक मूल्यवान है, और दूसरों के लिए, यह उससे कम मूल्यवान है।

अपने अध्ययन की योजना बनाने के लिए दो-चरणीय रणनीति

एक बार जब आप जान जाते हैं कि आपका प्रायर ज्ञान कितने "मोतियों" (अवलोकनों) के बराबर है, तो यह शोध पत्र आपको यह तय करने के लिए दो रणनीतियाँ देता है कि आपके अध्ययन का आकार कितना बड़ा होना चाहिए।

रणनीति 1: "डेटा बनाम प्रायर" का रस्साकशी (DPIR)

लक्ष्य: यह सुनिश्चित करना कि आपका नया डेटा आपके पुराने विश्वासों पर हावी होने के लिए पर्याप्त मजबूत है।
रूपक: रस्साकशी (Tug-of-war) की कल्पना करें। एक तरफ आपका प्रायर (आपका पुराना अध्ययन) है। दूसरी तरफ आपका नया डेटा है।

यदि प्रायर बहुत भारी है, तो रस्सी नहीं हिलेगी, और आपका नया अध्ययन केवल वही पुष्टि करेगा जो आप पहले से ही "जानते" थे।
लेखकों की विधि सटीक रूप से गणना करती है कि आपको कितने नए लोगों को जोड़ने की आवश्यकता है ताकि "नया डेटा" टीम "प्रायर" टीम की तुलना में अधिक जोर से खींच सके।
वे इसे मापने के दो तरीके प्रदान करते हैं:
- ग्लोबल (Global): क्या औसत नया डेटा प्रायर से अधिक मजबूत है?
- पैरामीटरवाइज (Parameterwise): क्या नेटवर्क में प्रत्येक एकल कनेक्शन के लिए नया डेटा प्रायर से अधिक मजबूत है? (यह अधिक सख्त और सुरक्षित विकल्प है)।

रणनीति 2: "एज डिटेक्टिव" (BFDA)

लक्ष्य: यह सुनिश्चित करना कि आप वास्तव में उन कनेक्शनों को देख पा रहे हैं जिन्हें आप खोज रहे हैं।
रूपक: कल्पना कीजिए कि आप एक मानचित्र पर बिंदुओं को जोड़ने वाली रेखाओं (edges) को ढूंढ रहे हैं। कुछ रेखाएं मोटी और स्पष्ट हैं; अन्य धुंधली और देखने में कठिन हैं।

यह रणनीति पूछती है: "मुझे कितने लोगों का सर्वेक्षण करने की आवश्यकता है ताकि मैं आत्मविश्वास से कह सकूं कि 'हाँ, यह रेखा मौजूद है' या 'नहीं, यह रेखा खाली है'?"
वे आपके नेटवर्क के सबसे कमजोर लिंक पर ध्यान केंद्रित करते हैं। यदि आप उस सबसे धुंधले कनेक्शन को पहचान सकते जिसे आप खोज रहे हैं, तो आप निश्चित रूप से मजबूत कनेक्शनों को भी पहचान सकते हैं।
यह सुनिश्चित करता है कि आपके अध्ययन में सत्य को खोजने की पर्याप्त "शक्ति" (power) हो, न कि केवल अनुमान लगाने की।

निष्कर्ष (The Takeaway)

यह शोध पत्र एक टूलकिट (और designbgm नामक एक मुफ्त सॉफ्टवेयर पैकेज) प्रदान करता है जो शोधकर्ताओं की मदद करता है:

गिनने में कि उनका प्रायर ज्ञान सैंपल साइज के संदर्भ में वास्तव में कितना मूल्यवान है।
अपने अध्ययन के आकार की योजना बनाने में ताकि उनका नया डेटा पुराने विश्वासों पर हावी होने के लिए पर्याप्त मजबूत हो।
यह सुनिश्चित करने में कि वे वास्तव में उन कनेक्शनों को खोजने के लिए पर्याप्त डेटा एकत्र करते हैं जिनमें उनकी रुचि है।

संक्षेप में, यह शोधकर्ताओं को यह अनुमान लगाने से रोकता है कि उनके अध्ययन को कितना बड़ा होना चाहिए। इसके बजाय, वे एक गणितीय रूलर का उपयोग करके कह सकते हैं, "मेरा पुराना अध्ययन 50 लोगों के बराबर है, इसलिए यह सुनिश्चित करने के लिए कि मेरा नया डेटा जीत जाए, मुझे कम से कम 130 लोगों को जोड़ने की आवश्यकता है।" यह विज्ञान को अधिक विश्वसनीय और अध्ययनों को अधिक कुशल बनाता है।

तकनीकी सारांश: पूर्व मूल्य (Prior Worth)? गाऊसी ग्राफिकल मॉडल के लिए प्रभावी नमूना आकार और नमूना आकार नियोजन

समस्या विवरण
गाऊसी ग्राफिकल मॉडल्स (GGMs) के बेयसियन विश्लेषण में, शोधकर्ता प्रेसिजन मैट्रिक्स $\Theta$ के अनुमान को नियमित करने के लिए पिछले अध्ययनों से प्राप्त सूचनात्मक प्रायर्स (informative priors) का उपयोग करते हैं। GGMs के लिए मानक संयुग्मी प्रायर्स (conjugate priors) विशार्ट (Wishart) वितरण (पूर्ण ग्राफों के लिए) और G-विशार्ट (G-Wishart) वितरण (विरल ग्राफों के लिए) हैं। ये प्रायर्स हाइपरपैरामीटर्स द्वारा नियंत्रित होते हैं: स्वतंत्रता की डिग्री ( $\nu$ ) और एक स्केल मैट्रिक्स ( $\Psi$ )।

एक महत्वपूर्ण अंतराल GGMs के लिए "प्राय पूर्व प्रभावी नमूना आकार" (prior effective sample size - ESS) के परिमाणीकरण में मौजूद है। जबकि $\nu$ को अक्सर पिछले अध्ययन के आकार के रूप में व्याख्यायित किया जाता है, यह स्वतंत्र अवलोकनों की इकाइयों में प्रायर की वास्तविक सूचना सामग्री को सटीक रूपता से प्रतिबिंबित नहीं करता है। ऐसा इसलिए है क्योंकि प्रेसिजन मैट्रिक्स के प्रविष्टियाँ (entries) परस्पर निर्भर होती हैं, और प्रायर की सूचनात्मकता $\Psi$ और ग्राफ टोपोलॉजी $G$ द्वारा कूटबद्ध पूर्ण सहप्रसरण संरचना (covariance structure) पर निर्भर करती है। एक सिद्धांतवादी ESS माप के बिना, शोधकर्ताओं के पास नमूना आकार नियोजन का आधार नहीं है: वे यह निर्धारित नहीं कर सकते कि डेटा को प्रायर पर हावी होने के लिए कितने बड़े नए डेटासेट की आवश्यकता होगी, और वे सूचनात्मक प्रायर्स के शामिल होने पर बेयस फैक्टर डिज़ाइन विश्लेषण (BFDA) का प्रभावी ढंग से उपयोग कैसे करें। मौजूदा ESS विधियाँ मुख्य रूप से एकचर (univariate) या अनियंत्रित बहुचर (multivariate) सेटिंग्स तक सीमित हैं और विशार्ट या G-विशार्ट वितरणों तक विस्तारित नहीं होती हैं।

कार्यप्रणाली
लेखक GGMs के लिए एक प्री-डेटा (pre-data) ESS ढांचे को औपचारिक रूप देते हैं, जो विशेष रूप से डेटा संग्रह से पहले संचालित होता है ताकि अध्ययन डिजाइन में इसकी प्रयोज्यता सुनिश्चित हो सके। इस कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

ESS अनुमानकों का अनुकूलन: पांच प्री-डेटा ESS अनुमानक, जिन्हें मूल रूप से एकचर या सामान्य बहुचर सेटिंग्स के लिए विकसित किया गया था (Neuenschwander et al., 2020), उन्हें विशार्ट और G-विशार्ट प्रायर्स के तहत प्रेसिजन मैट्रिक्स $\Theta$ के लिए अनुकूलित किया गया है। इनमें शामिल हैं:
- वेरिएंस रेशियो (VR)
- प्रेसिशन रेशियो (PR)
- मोरिटा-थैल-मुलर (MTM)
- पेनेलो-थॉम्पसन (PT)
- अपेक्षित स्थानीय सूचना अनुपात (ELIR)
लेखक इन अनुमानकों के लिए दो एकत्रीकरण योजनाएं (aggregation schemes) परिभाषित करते हैं:
- ग्लोबल ESS (Global ESS): इसे अंश (numerator) और हर (denominator) मैट्रिसेस के डिटरमिनेंट अनुपात के माध्यम से कंप्यूट किया जाता है (जो क्रमशः अपेक्षित सूचना और प्रायर वेरिएंस का प्रतिनिधित्व करते हैं), जिसे $1/d$ की घात से बढ़ाया जाता है (जहाँ $d = p(p+1)/2$ )।
- पैरामीटरवाइज ESS (Parameterwise ESS): अंश और हर मैट्रिसेस के चोलेस्की अपघटन (Cholesky decomposition) के माध्यम से व्युत्पन्न, जो प्रेसिजन मैट्रिक्स के प्रत्येक अद्वितीय $\theta_{ij}$ के लिए एक ESS मान प्रदान करता है।
विशार्ट प्रायर के लिए, विश्लेषणात्मक क्लोज्ड-फॉर्म अभिव्यक्तियाँ व्युत्पन्न की गई हैं। G-विशार्ट प्रायर के लिए, जहाँ गैर-विघटनकारी (non-decomposable) ग्राफों के लिए नॉर्मलाइजिंग कांस्टेंट (normalizing constants) गणना योग्य नहीं होते हैं, अनुमानकों की गणना मोंटे कार्लो सिमुलेशन के माध्यमད་ की जाती है।
डेटा-टू-प्रायर इंफॉर्मेशन रेशियो (DPIR): एक नवीन नियोजन रणनीति पेश की गई है ताकि आवश्यक नमूना आकार $n^\star$ निर्धारित किया जा सके जिससे डेटा प्रायर पर हावी हो जाए। DPIR को डेटा के अपेक्षित फिशर सूचना के डिटरमिनेंट और प्रायर के प्रेक्षित फिशर सूचना के डिटरमिनेंट के अनुपात के रूप में परिभाषित किया गया है। इष्टतम नमूना आकार वह न्यूनतम $n$ है जहाँ डेटा की सूचना के प्रायर सूचना से अधिक होने की संभावना (एक कारक $\xi \ge 1$ द्वारा) एक लक्ष्य थ्रेशोल्ड $\tau$ (डिफ़ॉल्ट 0.99) तक पहुँच जाती है, जो प्रायर प्रेडिक्टिव वितरण के अंतर्गत है।
बेयस फैक्टर डिज़ाइन एनालिसिस (BFDA) विस्तार: लेखक विशिष्ट किनारों (edges) के समावेश या निष्कासन के लिए पर्याप्त साक्ष्य प्राप्त करने हेतु आवश्यक नमूना आकार निर्धारित करने के लिए GGMs में BFDA का विस्तार करते हैं। इसमें शामिल है:
- सशर्त स्वतंत्रता के लिए परिकल्पनाएँ बनाना ( $H_0: \rho_{ij} = 0$ बनाम $H_1: \rho_{ij} \neq 0$ )।
- पूर्ण ग्राफों के लिए सैवेज-डीकी घनत्व अनुपात (Savage-Dickey density ratio) और विरल ग्राफों के लिए नॉर्मलाइजिंग कांस्टेंट का मोंटे कार्लो अनुमान का उपयोग करना।
- एक "प्लानिंग एज" (planning edge) का चयन करना जो प्रायर पार्शियल कोरिलेशन के $q$ -वें क्वांटाइल पर आधारित हो, ताकि यह सुनिश्चित हो सके कि नमूना आकार सबसे कमजोर पता लगाने योग्य किनारे के लिए पर्याप्त है, जो प्रभाव आकार (effect size) के संबंध में आवश्यक नमूना आकार की एकदिष्टता (monotonicity) का लाभ उठाता है।

मुख्य परिणाम
प्रस्तावित विधियों को मान्य करने के लिए दो सिमुलेशन अध्ययन किए गए:

सिमुलेशन अध्ययन 1 (ESS व्यवहार):
- पाया गया कि MTM, PT, और ELI अनुमानक केवल $\nu$ और चरों की संख्या $p$ पर निर्भर करते हैं, जिससे वे स्केल मैट्रिक्स $\Psi$ और ग्राफ संरचना के प्रति अपरिवर्तनीय (invariant) रहते हैं।
- पाया गया कि VR और PR अनुमानक $\Psi$ की पूर्ण संरचना और ग्राफ टोपोलॉजी के प्रति संवेदनशील हैं।
- VR और PR के बीच एक व्यवस्थित "जेन्सन गैप" (Jensen gap) देखा गया। VR अनुमानक आम तौर पर $\nu$ से अधिक मान देता है ( $ESS_{VR} > \nu$ ), जबकि PR अनुमानक $\nu$ से कम मान देता है ( $ESS_{PR} < \nu$ )।
- VR और PR के बीच का अंतर नेटवर्क के आकार ( $p$ ) के साथ बढ़ता है और प्रायर अध्ययन के आकार ( $\nu$ ) के साथ घटता है।
- G-विशार्ट प्रायर के लिए, $ESS/\nu$ का अनुपात नेटवर्क घनत्व के संबंध में गैर-एकदिष्ट (non-monotonic) व्यवहार प्रदर्शित करता है। $ESS_{VR}/\nu$ मध्यम घनत्व पर शिखर (peak) पर पहुँचता है, जबकि $ESS_{PR}/\nu$ घनत्व बढ़ने के साथ निरंतर घटता है। यह सुझाव देता है कि घने नेटवर्क, $\nu$ के सापेक्ष प्रायर की प्रभावी सूचना को कम कर देते हैं क्योंकि उनमें पैरामीटर निर्भरता बढ़ जाती है।
सिमुलेशन अध्ययन 2 (नमूना आकार नियोजन):
- DPIR और BFDA रणनीतियों को विभिन्न ग्राफ संरचनाओं (Erdős-Rényi, Barabási-Albert, Watts-Strogatz) और विभिन्न प्रायर स्पेसिफिकेशन के विरुद्ध मान्य किया गया।
- परिणामों ने पुष्टि की कि दोनों रणनीतियाँ पूरक लक्ष्यों को लक्षित करती हैं: DPIR यह सुनिश्चित करता है कि डेटा प्रायर पर हावी हो जाए, जबकि BFDA विशिष्ट किनारे का पता लगाने के लिए पर्याप्त शक्ति (power) सुनिश्चित करता है।
- यह भी देखा गया कि नियोजित नमूना आकार ( $n^\star$ ), विशेष रूप से प्लानिंग एज के चुनाव और प्रायर सिग्नल की मजबूती के संबंध में प्रायर मिसस्पेसिफिकेशन (misspecification) के प्रति संवेदनशील है।
- अध्ययन ने प्रदर्शित किया कि केवल $\nu$ पर भरोसा करना नमूना आकार नियोजन के लिए भ्रामक हो सकता है; वास्तविक ESS और परिणामी $n^\star$ , ग्राफ घनत्व और प्रायर प्रेसिजन मैट्रिक्स की विशिष्ट ज्यामिति के आधार पर काफी भिन्न हो सकते हैं।

महत्व और योगदान
यह शोध पत्र दावा करता है कि यह GGMs के लिए प्रायर ESS को मापने और नमूना आकार नियोजन के लिए एक सिद्धांतवादी ढांचा प्रदान करके GGM साहित्य के एक महत्वपूर्ण अंतराल को भरता है। विशिष्ट योगदान हैं:

प्री-डेटा ESS का औपचारिकीकरण: विशार्ट और G-विशार्ट प्रायर्स के लिए ग्लोबल और पैरामीटरवाइज ESS मापों को व्युत्पन्न करना, जो प्रेसिजन मैट्रिक्स में निहित निर्भरता संरचना को स्वीकार करते हैं।
नियोजन रणनीतियाँ: DPIR प्रक्रिया और BFDA का विस्तार प्रस्तुत करना, जो प्रायर सूचनात्मकता को ध्यान में रखते हुए नमूना आकार निर्धारित करने के लिए दो पूरक मार्ग प्रदान करते हैं।
सॉफ्टवेयर कार्यान्वयन: एक ओपन-सोर्स R पैकेज, designbgm प्रदान करना, जो सभी अनुमानकों और पूर्ण DPIR-BFDA पाइपलाइन को लागू करता है, जिससे ये विधियाँ शोधकर्ताओं के लिए सुलभ हो जाती हैं।

लेखक निष्कर्ष निकालते हैं कि इन उपकरणों के बिना, GGMs के लिए सूचनात्मक प्रायर्स का उपयोग करने वाले शोधकर्ताओं के पास नमूना आकार निर्धारित करने के लिए एक कठोर आधार नहीं होता है, जिससे संभावित रूप से ऐसे अध्ययन हो सकते हैं जहाँ प्रायर डोमिनेंट (हावी) हो जाता है या जहाँ एज डिटेक्शन (edge detection) अपर्याप्त होता है। प्रस्तावित विधियाँ शोधकर्ताओं को यह आकलन करने की अनुमति देती हैं कि क्या उनका नियोजित अध्ययन प्रायर को पछाड़ने के लिए पर्याप्त सूचना वहन करता है और ऐसे अध्ययन डिजाइन करने में मदद करती हैं जो विशिष्ट नेटवर्क किनारों के लिए निर्णायक साक्ष्य प्राप्त कर सकें।