Confidence Intervals for the Risk Difference in Combined Unilateral and Bilateral Data Incorporating a Distribution-Based Approach

तकनीकी सारांश: संयुक्त एकतरफा और द्विपक्षीय डेटा के लिए जोखिम अंतर (Risk Difference) के विश्वास अंतराल (Confidence Intervals)

समस्या विवरण
युग्मित अंगों (जैसे आँखें, कान) से जुड़े तुलनात्मक नैदानिक अध्ययनों में, बाइनरी परिणाम अक्सर विषयों के भीतर सह-संबंधित होते हैं। व्यावहारिक डेटासेट में अक्सर एकतरफा (एक अंग देखा गया) और द्विपक्षीय (दोनों अंग देखे गए) डेटा का मिश्रण होता है, जो कि लुप्त मापों, पूर्व शल्य चिकित्सा, या जन्मजात अनुपस्थिति के कारण हो सकता है। मौजूदा साहित्य ने ऐसे डेटा के लिए परिकल्पना परीक्षण (hypothesis testing) और सापेक्ष मापों (ऑड्स रेशियो, रिलेटिव रिस्क) को व्यापक रूप से संबोधित किया है, लेकिन जोखिम अंतर ($\delta = \pi_2 - \pi_1$) नैदानिक व्याख्या के लिए एक महत्वपूर्ण पूर्ण माप बना हुआ है।

इस सेटिंग में जोखिम अंतर के लिए विश्वास अंतराल (CI) बनाने के लिए वर्तमान विधियाँ मुख्य रूप से स्पर्शोन्मुख सामान्यता (asymptotic normality) (वाल्ड, लाइकलीहुड रेशियो, और स्कोर टेस्ट) या 'मेथड ऑफ वेरिएंस एस्टिमेट्स रिकवरी' (MOVER) पर निर्भर करती हैं। ये दृष्टिकोण परिमित-नमूना वितरण संबंधी विशेषताओं (finite-sample distributional features), विशेष रूप से विषमता (skewness) को पर्याप्त रूप से दर्शाने में विफल हो सकते हैं, जिससे छोटे नमूना आकार या चरम आधारभूत संभावनाओं (baseline probabilities) के मामले में कवरेज प्रायिकता और अंतराल की चौड़ाई में संभावित अशुद्धियाँ हो सकती हैं।

कार्यप्रणाली
लेखक डोनर के निरंतर सहसंबंध मॉडल ($\rho$) के तहत जोखिम अंतर के विश्वास अंतराल के निर्माण के लिए एक वितरण-आधारित दृष्टिकोण (distribution-based approach) प्रस्तावित करते हैं, जो विषय-वार निर्भरता को पैरामीटराइज करता है।

1. वितरण-आधारित दृष्टिकोण:

   • विशेषता फलन (Characteristic Function): यह विधि एकतरफा और द्विपक्षीय अवलोकनों की कुल गणनाओं पर शर्त रखकर जोखिम अंतर अनुमानक ($\tilde{\delta}$) के विशेषता फलन को व्युत्पन्न करती है।
   • घनत्व पुनर्प्राप्ति (Density Recovery): इनवर्स फौरियर ट्रांसफॉर्म का उपयोग करके, FFTW (Fastest Fourier Transform in the West) एल्गोरिदम के माध्यम से अनुमानक के संभाव्यता घनत्व फलन (PDF) को संख्यात्मक रूप से पुन: प्राप्त किया जाता है। यह बड़े-नमूना सामान्य सन्निकटन (large-sample normal approximations) पर निर्भरता से बचता है।
   • अंतराल निर्माण: विश्वास अंतरालों का निर्माण नेयमैन-टाइप इन्वर्जन (Neyman-type inversion) का उपयोग करके किया जाता है। स्वीकृति क्षेत्र (acceptance region) को पुनर्प्राप्त PDF के उच्चतम घनत्व क्षेत्र (HDR) द्वारा परिभाषित किया जाता है, जो एक उच्चतम पश्च घनत्व (HPD) क्षेत्र के समान है, लेकिन एक फ्रीक्वेंटिस्ट ढांचे के भीतर है। एक एडेप्टिव बैकट्रैकिंग सर्च एल्गोरिदम $\delta$ के ऊपरी और निचले स्तरों को निर्धारित करने के लिए उन मानों की पहचान करता है जहाँ देखा गया अनुमानक बाधा मापदंडों (प्रोफाइल MLEs) द्वारा परिभाषित स्वीकृति क्षेत्र के भीतर आता है।

2. प्रतिस्पर्धी विधियाँ:
   अध्ययन प्रस्तावित विधि की तुलना निम्नलिखित के विरुद्ध करता है:

   • तीन मानक स्पर्शोन्मुख विधियाँ: वाल्ड-टाइप, लाइकलीहुड रेशियो, और स्कोर टेस्ट।
   • एक संशोधित MOVER प्रक्रिया: मूल MOVER को व्यक्तिगत अनुपातों के विचरण अनुमानों को संशोधित करने के लिए एक प्रभाव कारक (effect factor) पेश करके, विषय-वार सहसंबंध ($\rho$) को ध्यान में रखने के लिए समायोजित किया गया है। दो वेरिएंट्स का परीक्षण घटक अनुपातों के लिए विल्सन स्कोर और एग्रेस्टी-कौल (Agresti-Coull) अंतरालों का उपयोग करके किया गया है।

प्रमुख योगदान

• नया ढांचा: यह शोध पत्र एक वितरण-आधारित निष्कर्ष ढांचे को पेश करता है जो स्पर्शोन्मुख सामान्यता धारणाओं को दरकिनार करते हुए जोखिम अंतर अनुमानक के सैंपलिंग वितरण को सीधे उसके विशेषता फलन से पुनर्गठित करता है।
• विषमता का प्रबंधन: इसके सटीक (संख्यात्मक रूप से अनुमानित) परिमित-नमूना वितरण का उपयोग करके, यह विधि उन विषमताओं और सीमा प्रभावों (boundary effects) को पकड़ लेती है जिन्हें स्पर्शोन्मुख विधियाँ अक्सर छोड़ देती हैं।
• समायोजित MOVER: लेखक युग्मित डेटा के लिए अक्सर अनदेखी की जाने वाली विषय-वार सहसंबंध ($\rho$) को शामिल करने के लिए एक विशिष्ट समायोजन प्रदान करते हैं।
• व्यावहारिक उपकरण: शोधकर्ताओं को इन छह विधियों (तीन स्पर्शोन्मुख, दो MOVER, दो वितरण-आधारित) के अनुप्रयोग को सुगम बनाने के लिए एक ऑनलाइन कैलकुलेटर प्रदान किया गया है।

परिणाम
विस्तृत सिमुलेशन अध्ययन ($N=10,000$ प्रतिकृति) और दो वास्तविक दुनिया के डेटासेट (ओटिटिस मीडिया और मायोपिया उपचार) का विश्लेषण किया गया।

• कवरेज प्रायिकता (ECP): मापदंडों की एक विस्तृत श्रृंखला में, सभी विधियों ने बढ़ते नमूना आकार के साथ नामित 95% स्तर के करीब कवरेज प्रायिकता प्राप्त की। कम आधारभूत संभावनाओं या उच्च सहसंबंध वाले छोटे नमूना सेटिंग्स ($m=n=20$) में, कुछ विधियाँ रूढ़िवादी या उदार व्यवहार प्रदर्शित करती हैं। वितरण-आधारित विधि (विशेष रूप से PDF1 जो वास्तविक बाधा मापदंडों का उपयोग करती है) रूढ़िवादी होने की प्रवृत्ति रखती थी, जबकि PDF2 (जो प्रोफाइल MLEs का उपयोग करती है) ने परिवर्तनशीलता दिखाई लेकिन स्वीकार्य सीमाओं के भीतर रही।
• अंतराल चौड़ाई (MIW): वितरण-आधारित प्रक्रियाएं, विशेष रूप से जब विषय-वार सहसंबंध कम या मध्यम होता है, स्पर्शोन्मुख और MOVER विधियों की तुलना में छोटे विश्वास अंतराल उत्पन्न करती हैं। जैसे-जैसे नमूना आकार बढ़ता है ($m=n=100$), विधियों के बीच अंतराल की चौड़ाई में अंतर कम होता जाता है।
• विषमता और विषमता (RMNCP): मेसियल टू डिस्टल नॉन-कवरेज प्रोबेबिलिटी (RMNCP) विश्लेषण से पता चला कि स्पर्शोन्मुख और MOVER विधियां सममित टेल आवंटन (RMNCP $\approx 0.5$) उत्पन्न करने की प्रवृत्ति रखती हैं। इसके विपरीत, वितरण-आधारित दृष्टिकोण ने सैंपलिंग वितरण में विषमता को समायोजित करने की क्षमता प्रदर्शित की, जिसके परिणामस्वरूप उन छोटे नमूनों में गैर-केंद्रीय कवरेज पैटर्न प्राप्त हुआ जहाँ अनुमानक का वितरण विषम (skewed) था।
• वास्तविक दुनिया के अनुप्रयोग: ओटिटिस मीडिया और मायोपिया दोनों डेटासेट में, सभी विधियों ने समान बिंदु अनुमान (point estimates) और विश्वास अंतराल दिए, जिनमें शून्य शामिल था, जिससे सुसंगत निष्कर्षात्मक निष्कर्ष (उपचार समूहों के बीच कोई महत्वपूर्ण अंतर नहीं) निकले।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित वितरण-आधारित दृष्टिकोण संयुक्त एकतरफा और द्विपक्षीय बाइनरी परिणामों वाले अध्ययनों में जोखिम अंतर के अंतराल अनुमान के लिए एक व्यवहार्य वैकल्पिक ढांचा प्रदान करता है। इसका प्राथमिक महत्व इसकी उस क्षमता में निहित है जो परिमित-नमूना वितरण संबंधी विशेषताओं, विशेष रूप से विषमता को दर्शाती है, जिसे स्पर्शोन्मुख सामान्यता पर आधारित विधियाँ पकड़ नहीं पाती हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि प्रस्तावित दृष्टिकोण अधिक यथार्थवादी सैंपलिंग वितरण का प्रतिनिधित्व करता है, लेकिन यह सभी छोटे-नमूना परिदृश्यों में कवरेज सटीकता के मामले में प्रतिस्पर्धी विधियों के मुकाबले समान रूप से बेहतर प्रदर्शन नहीं करता है। वे कवरेज में संभावित मामूली विचलन को बहुत छोटे नमूनों में अत्यधिक विविक्त (discrete) वितरण होने पर PDF के संख्यात्मक मूल्यांकन के लिए जिम्मेदार ठहराते हैं। अध्ययन इस निष्कर्ष पर पहुँचता है कि यह विधि एक उपयोगी विकल्प है, विशेष रूप से छोटे नमूनों में वितरण संबंधी बारीकियों को पकड़ने के लिए, और अन्य निर्भरता मॉडलों एवं प्रभाव मापों (रिस्क रेशियो, ऑड्स रेशियो) के लिए भविष्य के विस्तार का सुझाव देता है।