📊 statistics

Accounting for overdispersion and clustering in binomial data from N-of-1 trials

यह शोध पत्र वास्तविक डेटा चित्रण और सिमुलेशन तुलनाओं के माध्यम से विशेष रूप से ओवरडिस्पर्शन (overdispersion) और पदानुक्रमित क्लस्टरिंग (hierarchical clustering) की चुनौतियों को संबोधित करते हुए, N-of-1 परीक्षणों में द्विपद परिणामों (binomial outcomes) को एकत्रित करने के लिए दो विश्लेषणात्मक रणनीतियों का प्रस्ताव और मूल्यांकन करता है।

मूल लेखक: Majnu John, Heejung Bang, Stephanie Winkelbeiner, Philipp Homan

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Majnu John, Heejung Bang, Stephanie Winkelbeiner, Philipp Homan

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास केवल एक संदिग्ध नहीं, बल्कि संदिग्धों की एक पूरी टोली है, और प्रत्येक संदिग्ध का व्यवहार करने का अपना अनूठा तरीका है। यह बिल्कुल वैसा ही है जैसा N-of-1 ट्रायल्स में होता है। एक साथ बहुत सारे लोगों पर एक नई दवा का परीक्षण करने के बजाय (जैसे कि एक मानक बड़ा ट्रायल), डॉक्टर एक बार में केवल एक व्यक्ति पर परीक्षण करते हैं। वे दवा को चालू और बंद करते रहते हैं, जैसे कि लाइट का स्विच दबाना, यह देखने के लिए कि क्या वह वास्तव में उस विशिष्ट व्यक्ति की मदद करती है।

लेकिन यहाँ एक मोड़ है: एक बार जब आपने एक व्यक्ति के लिए रहस्य सुलझा लिया, तो आप यह जानना चाहते हैं कि क्या वह दवा बाकी सभी के लिए भी काम करती है। यहीं पर यह शोध पत्र आता है। लेखक उन सांख्यिकीविदों (statisticians) की तरह हैं जो उन सभी व्यक्तिगत "लाइट स्विच" वाली कहानियों को एक बड़ी, स्पष्ट तस्वीर में मिलाने की कोशिश कर रहे हैं।

समस्या: जब "औसत" गड़बड़ा जाता है

सांख्यिकी की दुनिया में, डेटा कैसे व्यवहार करता है, इसके लिए एक नियम पुस्तिका होती है। यह एक पूरी तरह से व्यवस्थित पुस्तकालय की तरह है जहाँ हर किताब अपनी सही जगह पर है। लेकिन वास्तविक जीवन अस्त-व्यस्त है। कभी-कभी, डेटा "ओवरडिस्पर्स्ड" (overdispersed) होता है।

इसे ऐसे सोचिए: यदि आप 100 लोगों से पूछते हैं कि वे चॉकलेट या वैनिला आइसक्रीम पसंद करते हैं, तो आप उम्मीद करते हैं कि उत्तर कुछ हद तक अनुमानित होंगे। लेकिन N-of-1 ट्रायल्स में, वही व्यक्ति एक दिन "चॉकलेट" कह सकता है और अगले दिन "वैनिला", इसलिए नहीं कि उसने अपना मन बदल लिया, बल्कि इसलिए क्योंकि उसका दिन बुरा था, या मौसम अजीब था, या बस उसका मन ऐसा हुआ। डेटा में इस अतिरिक्त "उतार-चढ़ाव" को ओवरडिस्पर्शन (overdispersion) कहा जाता है।

यदि आप इस उतार-चढ़ाव को अनदेखा करते हैं और मानक नियम पुस्तिका का उपयोग करने की कोशिश करते हैं, तो आपका अंतिम उत्तर गलत होगा। यह ईंट के लिए बने रूलर से जेली को मापने की कोशिश करने जैसा है; माप समझ में नहीं आएगा।

दो जासूसी रणनीतियाँ

यह शोध पत्र इस गड़बड़ी को ठीक करने और कई अलग-अलग रोगियों के परिणामों को संयोजित करने के दो मुख्य तरीके प्रस्तावित करता है।

रणनीति 1: "उतार-चढ़ाव" का सुधारक (The "Wiggle Room" Fixer)
पहला तरीका उस जासूस की तरह है जो देखता है कि जेली डगमगा रही है और अपने गणनाओं में एक विशेष "डगमगाहट कारक" (wiggle factor) जोड़ देता है। वे एक क्वासी-लाइक्लीहुड (quasi-likelihood) दृष्टिकोण नामक गणितीय उपकरण का उपयोग करते हैं।

यह कैसे काम करता है: वे डेटा देखते हैं और पूछते हैं, "कितना अतिरिक्त उतार-चढ़ाव है?" वे इस "उतार-चढ़ाव कारक" (जिसे $\rho$ कहा जाता है) की गणना विभिन्न सूत्रों (जैसे ANOVA, Fleiss-Cuzick, या Pearson विधियों) का उपयोग करके करते हैं।
चुनौती: लेखकों ने यह देखने के लिए कि कौन सा "उतार-चढ़ाव सूत्र" सबसे अच्छा है, एक विशाल कंप्यूटर सिमुलेशन (1,000 बार!) चलाया। उन्होंने पाया कि "उतार-चढ़ाव कारक" के लिए एक विशिष्ट सूत्र, एक्सटेंडेड क्वासी-लाइक्लीहुड (EQL), थोड़ा पेचीदा था। कभी-कभी, यह "उतार-चढ़ाव कारक" के लिए बहुत गलत उत्तर देता है। हालाँकि, और यह एक बड़ा "हालाँकि" है, भले ही उतार-चढ़ाव कारक गलत था, दवा के काम करने का अंतिम उत्तर (पूल किया गया अनुपात) आश्चर्यजनक रूप से सटीक था। यह एक ऐसे जासूस की तरह है जो संदिग्ध की लंबाई तो गलत बताता है लेकिन फिर भी संदिग्ध के चेहरे को सही पहचान लेता है।

रणनीति 2: "नेस्टेड बॉक्स" दृष्टिकोण (The "Nested Box" Approach)
दूसरा तरीका अधिक जटिल है। यह डेटा को रूसी नेस्टिंग डॉल्स (Russian nesting dolls) के एक सेट की तरह मानता है। बड़े गुड़िया (पूरे रोगी समूह) के अंदर, छोटी गुड़िया (व्यक्तिगत रोगी) हैं, और उनके अंदर और भी छोटी गुड़िया (विशिष्ट दिन या प्रकरण) हैं।

यह कैसे काम करता है: मोलनबर्ग्स (Molenberghs) और उनके सहयोगियों के विचारों पर आधारित यह दृष्टिकोण, रैंडम इफेक्ट्स (random effects) का उपयोग करता है। यह मानता है कि प्रत्येक रोगी का अपना एक गुप्त "व्यक्तित्व" है जो उनकी प्रतिक्रिया को प्रभावित करता है, और यह सीधे तौर पर उसे मॉडल करने की कोशिश करता है।
चुनौती: हालांकि यह सुनने में शानदार और विस्तृत लगता है, सिमुलेशन ने दिखाया कि इसमें एक दोष है। जब वास्तविक उत्तर बहुत अधिक था (जैसे 0.75 या 75%), तो इस पद्धति ने कभी-कभी भ्रमित होकर बहुत गलत उत्तर दिए। यह एक ऐसे जासूस की तरह है जो अपराध स्थल के सूक्ष्म विवरणों पर इतना ध्यान केंद्रित करता है कि वह बड़ी तस्वीर को ही मिस कर देता है, खासकर जब अपराध बहुत स्पष्ट हो।

शोध पत्र क्या कहता है (और क्या नहीं कहता)

लेखक अपने निष्कर्षों को बढ़ा-चढ़ाकर बताने से बहुत सावधान हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने अपने विचारों का परीक्षण करने के लिए हजारों परिदृश्यों का सिमुलेशन किया।

उन्होंने क्या खारिज किया: उन्होंने स्पष्ट रूप से दिखाया कि एक्सटेंडेड क्वासी-लाइक्लीहुड (EQL) विधि स्वयं "उतार-चढ़ाव कारक" का अनुमान लगाने का एक अच्छा तरीका नहीं है क्योंकि यह पक्षपाती (biased) हो सकती है। हालाँकि, उन्होंने पाया कि इस "खराब" उतार-चढ़ाव कारक का उपयोग करने के बावजूद भी दवा की सफलता दर के लिए अंतिम परिणाम खराब नहीं हुआ।
उन्होंने क्या पाया: जब उन्होंने इन विधियों का वास्तविक डेटा पर परीक्षण किया, तो परिणाम आश्चर्यजनक रूप से समान थे। चाहे उन्होंने "उतार-चढ़ाव सुधारक" का उपयोग किया हो या "नेस्टेड बॉक्स" विधि का, दवा कितनी अच्छी तरह काम करती है इसका अंतिम अनुमान लगभग एक जैसा था।
विश्वास का स्तर (Confidence Level): शोध पत्र सुझाव देता है कि दोनों विधियाँ उपयोगी हैं, लेकिन यह किसी एक को पूर्ण "विजेता" घोषित नहीं करता है। वास्तव में, दूसरी विधि (नेस्टेड बॉक्स) के लिए, लेखकों ने नोट किया कि कुछ स्थितियों में (जब सफलता दर अधिक थी), विश्वास अंतराल (confidence intervals) बहुत संकीरे थे और वास्तविक उत्तर को उम्मीद से अधिक बार मिस कर गए।

वास्तविक दुनिया का परीक्षण

लेखकों ने अपने गणित को वास्तविक डेटा पर लागू किया:

फाइब्रोमायल्जिया के लिए एमिट्रिप्टिलिन (Amitriptyline): उन्होंने 23 रोगियों को देखा। गणित ने कहा कि दवा लगभग 67% समय पसंद की जाती है। सभी विधियाँ इस संख्या पर सहमत थीं, भले ही वे डेटा में "उतार-चढ़ाव" के बारे में थोड़ा असहमत थीं।
अर्थराइटिस के लिए NSAIDs बनाम पैरासिटामोल: उन्होंने 7 रोगियों को देखा। परिणाम मिले-जुले थे, जिसमें दवा 50% से कम बार जीती। फिर भी, सभी विधियों ने बहुत समान उत्तर दिए।
सांस संबंधी समस्याओं के लिए थियोफिलाइन (Theophylline): उन्होंने सांस लेने की समस्या वाले 7 रोगियों को देखा। दवा लगभग 51% बार (0.5-पॉइंट अंतर का उपयोग करते हुए) या 47% बार (एक सख्त 1.0 अंतर का उपयोग करते हुए) पसंद की गई।

मुख्य निष्कर्ष (The Bottom Line)

शोध पत्र निष्कर्ष निकालता है कि जबकि "नेस्टेड बॉक्स" विधि (रणनीति 2) व्यक्तिगत अंतरों को समझने के लिए सैद्धांतिक रूप से बेहतर है, "उतार-चढ़ाव सुधारक" विधि (रणनीति 1) समग्र उत्तर को सही ढंग से प्राप्त करने के लिए एक बहुत ही मजबूत और विश्वसनीय दावेदार है।

सबसे महत्वपूर्ण बात? भले ही आप डेटा में "उतार-चढ़ाव" को मापने के लिए थोड़े अपूर्ण उपकरण का उपयोग कर रहे हों, फिर भी आप समूह के लिए उपचार के काम करने के बारे में एक बहुत अच्छा उत्तर प्राप्त कर सकते हैं। लेखकों को कोई ऐसी जादुई गोली नहीं मिली जो सब कुछ पूरी तरह से हल कर दे, लेकिन उन्होंने यह जरूर दिखाया कि हमारे पास इन जटिल, व्यक्तिगत कहानियों को एक एकल, उपयोगी तथ्य में संयोजित करने के दो ठोस, काम करने योग्य तरीके हैं।

तकनीकी सारांश: N-of-1 परीक्षणों से प्राप्त द्विपद (Binomial) डेटा में अति-प्रसार (Overdispersion) और क्लस्टरिंग का लेखा-जोखा

समस्या विवरण
N-of-1 परीक्षण रोगी-केंद्रित, यादृच्छिक (randomized), डबल-ब्लाइंडेड क्रॉसओवर प्रयोग हैं, जो विशिष्ट रोगियों के लिए हस्तक्षेपों (interventions) के मूल्यांकन के लिए डिज़ाइन किए गए हैं। हालांकि प्राथमिक उद्देश्य किसी विशिष्ट रोगी के लिए प्रभावकारिता निर्धारित करना है, लेकिन प्रभावकारिता के जनसंख्या-स्तर के अनुमान प्राप्त करने और उपचार वैयक्तिकरण (individualization) की सफलता का आकलन करने के लिए N-of-1 परीक्षणों के एक सेट से परिणामों को संयोजित (pooling) करने में महत्वपूर्ण मूल्य है। हालांकि, द्विपद डेटा को संयोजित करने के लिए मानक सांख्यिकीय विधियाँ अक्सर N-of-1 डिजाइनों में निहित दो महत्वपूर्ण विशेषताओं को संबोधित करने में विफल रहती हैं:

अति-प्रसार (Overdispersion): द्विपद परिणामों का प्रसरण (variance), मानक द्विपद वितरण द्वारा निर्धारित माध्य-प्रसरण संबंध से अधिक होता है।
पदानुक्रमित क्लस्टरिंग (Hierarchical Clustering): बार-बार होने वाले उपचार एपिसोड के कारण रोगियों के भीतर माप सह-संबंधित होते हैं (रोगी-स्तर के भीतर सहसंबंध)।

इस संदर्भ में, विशेष रूप से द्विपक (binary) परिणामों के लिए, बेयसियन (Bayesian) विधियों का प्रस्ताव किया गया है, लेकिन एक ऐसा अंतराल है जहाँ ऐसी विधियों की कमी है जो ओवरडिस्पर्सन और क्लस्टरिंग दोनों को एक साथ कठोरता से संबोधित कर सकें। यह शोध पत्र इन दोनों पहलुओं को संबोधित करने के लिए दो फ्रीक्वेंटिस्ट (frequentist) विश्लेषणात्मक रणनीतियों की तुलना करते हुए इस अंतर को दूर करता है।

कार्यप्रणाली (Methodology)
लेखक उपचार प्राथमिकता या सफलता के संयोजित अनुपात ( $\theta$ ) का अनुमान लगाने के लिए दो अलग-अलग फ्रीक्वेंटिस्ट दृष्टिकोण प्रस्तावित करते हैं।

विधि 1: क्वासी-लाइक्लीहुड (QL) दृष्टिकोण (केवल अति-प्रसार)
यह विधि क्लस्टरिंग संरचना के संबंध में रोगियों को स्वतंत्र इकाइयों के रूप में मानकर, अति-प्रसार ( $\rho$ ) को ध्यान में रखने के लिए बीटा-बाइनोमियल (Beta-Binomial) वितरण का उपयोग करती है।
- मॉडल: $X_j \sim \text{BetaBinom}(n_j, \theta, \rho)$ , जहाँ $X_j$ रोगी $j$ के $n_j$ एपिसोड में सफलताओं की संख्या है।
- अनुमान (Estimation): संयोजित अनुपात $\theta$ का अनुमान एक क्वासी-लाइक्लीहुड अनुमानक का उपयोग करके लगाया जाता है: $\hat{\theta}_{QL} = \frac{\sum c_j X_j}{\sum c_j n_j}$ , जहाँ भार $c_j$ अति-प्रसार पैरामीटर $\rho$ पर निर्भर करते हैं।
- प्रसरण अनुमान (Variance Estimation): निरंतरता सुनिश्चित करने के लिए जैकनीफ (Jackknife) पद्धति का उपयोग करके मानक त्रुटियां प्राप्त की जाती हैं।
- $\rho$ का अनुमान लगाना: लेखक इंट्रा-क्लस्टर सहसंबंध (ICC) पैरामीटर $\rho$ के लिए कई अनुमानकों का मूल्यांकन करते हैं, जिनमें एनोवा (AOV), फ्लेस-कुज़िक (FC), पियर्सन (PE), एक्सटेंडेड क्वासी-लाइक्लीहुड (EQL), स्यूडो-लाइक्लीहुड (PL), और मेथड ऑफ मोमेंट्स (MM) शामिल हैं। लेखक नोट करते हैं कि कुछ अनुमानकों (जैसे AOV) के लिए बंद-रूप (closed-form) प्रसरण सूत्र नकारात्मक मान या पूर्वाग्रह (bias) दे सकते हैं, जिससे वे तुलना के लिए जैकनीफ-आधारित प्रसरण अनुमान पर निर्भर करते हैं।
विधि 2: रैंडम इफेक्ट्स दृष्टिकोण (अति-प्रसार और क्लस्टरिंग)
मोलेनबर्ग्स एट अल. से अनुकूलित यह विधि, अति-प्रसार और रोगियों के भीतर दोहराए गए मापों के बीच सहसंबंध को एक साथ संबोधित करने के लिए एक पदानुक्रमित रैंडम इफेक्ट्स मॉडल का उपयोग करती है।
- मॉडल: $X_j \sim \text{Binom}(n_j, \theta_j)$ , जहाँ $\theta_j = \pi_j \kappa_j$ । यहाँ, $\pi_j$ (बीटा वितरण के माध्यम से मॉडल किया गया) शेष अति-प्रसार को संभालता है, और $\kappa_j$ (एक सामान्य वितरण से प्राप्त रैंडम इफेक्ट) पदानुक्रमित क्लस्टरिंग को संभालता है।
- अनुमान: मापदंडों का अनुमान संख्यात्मक एकीकरण (numerical integration) का उपयोग करके मैक्सिमम लाइक्लीहुड (ML) के माध्यम से किया जाता है। अंतिम संयोजित अनुमान रैंडम घटकों के अपेक्षित मानों के गुणनफल के रूप में प्राप्त किया जाता है: $\hat{\theta} = \hat{E}(\pi_j) \times \hat{E}(\kappa_j)$ ।
- सन्निकटन (Approximation): सामान्य रैंडम चर के सिग्मॉइड फलन के अपेक्षा (expectation) को एक स्केलिंग कारक ( $\lambda \approx 0.588$ ) के साथ मानक सामान्य CDF का उपयोग करके सन्निकट किया जाता है।

सिमुलेशन अध्ययन और परिणाम
लेखकों ने $\theta$ (वास्तविक अनुपात) और $\rho$ (अति-प्रसार) के विभिन्न परिदृश्यों के तहत प्रदर्शन की तुलना करने के लिए 1,000 पुनरावृत्तियों (iterations) वाला एक सिमुलेशन अध्ययन आयोजित किया।

$\rho$ के प्रदर्शन करने वाले अनुमानक: विधि 1 में, एक्सटेंडेड क्वासी-लाइक्लीहुड (EQL) अनुमानक ने उच्च मीन स्क्वेर्ड एरर (MSE) और पूर्वाग्रह दिखाया, विशेष रूप से जब $\theta = 0.50$ था। हालांकि, $\rho$ के लिए EQL के खराब प्रदर्शन के बावजूद, परिणामी संयोजित अनुपात अनुमान ( $\hat{\theta}$ ) अन्य अनुमानकों की तुलना में तुलनीय या कभी-कभी बेहतर प्रदर्शन करता है। लेखक इसे एक 'कैंसिलेशन इफेक्ट' (cancellation effect) के रूप में देखते हैं जहाँ $\hat{\rho}$ में पूर्वाग्रह, $\text{Var}(\hat{\theta})$ के डेल्टा मेथड विस्तार में $\rho$ पद के प्रसरण योगदान को कम कर देता है।
विधि 1 बनाम विधि 2 का प्रदर्शन:
- MSE: विधि 1 के अनुमानकों ने स्थिर MSE दिखाया। विधि 2 ने कुछ परिदृश्यों में प्रतिस्पर्धी MSE दिखाए, लेकिन $\theta = 0.75$ होने पर खराब प्रदर्शन किया।
- कवरेज प्रोबेबिलिटी (Coverage Probability): विधि 1 ने सभी परिदृश्यों में नाममात्र 95% स्तर के करीब कवरेज प्रोबेबिलिटी बनाए रखी। विधि 2 (रैंडम इफेक्ट्स) ने $\theta = 0.75$ होने पर काफी खराब कवरेज (लगभग 78% तक गिर गया) दिखाया। लेखक इसका श्रेय सामान्यीकृत रैखिक मिश्रित मॉडलों (GLMMs) में प्रसरण अनुमानों के विषम (skewed) सैंपलिंग वितरण को देते हैं, जो सममित विश्वास अंतराल (symmetric confidence intervals) को उन विशिष्ट परिदृश्यों में अनुपयुक्त बनाता है।
नमूना आकार प्रभाव: रोगियों की संख्या ( $J$ ) बढ़ाने से एपिसोड की संख्या ( $n_j$ ) बढ़ाने की तुलना में MSE अधिक प्रभावी ढंग से कम हुआ।

वास्तविक डेटा अनुप्रयोग
इन विधियों को तीन वास्तविक दुनिया के N-of-1 परीक्षण डेटासेट पर लागू किया गया:

फाइब्रोमायल्जिया के लिए एमिट्रिप्टिलाइन (Amitriptyline): सभी विधियों ने प्राथमिकता के समान संयोजित अनुमान ( $\hat{\theta} \approx 0.67$ ) दिए। कोई महत्वपूर्ण अति-प्रसार नहीं पाया गया ( $\rho$ के लिए विश्वास अंतराल शून्य को शामिल करता है)।
ऑस्टियोआर्थराइटिस के लिए NSAIDs बनाम पैरासिटामोल: परिणाम सभी विधियों में सुसंगत थे ( $\hat{\theta} \approx 0.42$ कुल डायरी स्कोर के लिए)। कोई महत्वपूर्ण अति-प्रसार नहीं पाया गया।
इरिवर्सिबल CAL के लिए थियोफिलाइन (Theophylline): संयोजित अनुमान सुसंगत थे ( $\hat{\theta} \approx 0.51$ )। यहाँ भी, अति-प्रसार का कोई महत्वपूर्ण प्रमाण नहीं मिला।

सभी वास्तविक डेटा उदाहरणों में, विभिन्न $\rho$ अनुमानों के बावजूद, संयोजित अनुपात के लिए बिंदु अनुमान (point estimates) उल्लेखनीय रूप से सुसंगत थे।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह द्विपद डेटा को संयोजित करने के लिए पहले फ्रीक्वेंटिस्ट-आधारित तरीकों को प्रदान करता है जो स्पष्ट रूप से अति-प्रसार और पदानुक्रमित क्लस्टरिंग को संबोधित करते हैं।

पद्धतिगत योगदान: लेखक अति-प्रसार के लिए एक क्वासी-लाइक्लीहुड फ्रेमवर्क पेश करते हैं और अति-प्रसार और क्लस्टरिंग को एक साथ संभालने के लिए एक रैंडम इफेक्ट्स फ्रेमवर्क को अनुकूलित करते हैं।
व्याख्यात्मक अंतर: शोध पत्र दोनों विधियों के बीच एक वैचारिक अंतर को उजागर करता है। विधि 1 "जनसंख्या-औसत" (PA) अनुमान प्रदान करती है, जबकि विधि 2 "विषय-विशिष्ट" (SS) अनुमान प्रदान करती है। चूंकि N-of-1 परीक्षण स्वाभाविक रूप से व्यक्तिगत अंतरों पर केंद्रित होते हैं, इसलिए लेखक सुझाव देते हैं कि विधि 2 (SS) की व्याख्या थोड़ी अधिक उपयुक्त हो सकती है, भले ही इसकी गणना जटिल हो और इसमें कवरेज संबंधी समस्याएं हों।
व्यावहारिक उपयोगिता: अध्ययन यह प्रदर्शित करता है कि हालांकि अति-प्रसार पैरामीटर ( $\rho$ ) का अनुमान लगाना अस्थिर (विशेष रूप से EQL के साथ) हो सकता है, फिर भी परिणामी संयोजित अनुपात अनुमान ( $\hat{\theta}$ ) विभिन्न अनुमान रणनीतियों में मजबूत (robust) हैं। लेखक निष्कर्ष निकालते हैं कि व्यावहारिक अनुप्रयोगों के लिए, विधि का चयन जनसंख्या-स्तर या व्यक्तिगत-स्तर के निष्कर्ष के लक्ष्य पर निर्भर कर सकता है, और विधि 1 एक सरल, मजबूत विकल्प प्रदान करती है जब विधि 2 के कवरेज गुणों के बारे में चिंता हो।

समस्या: जब "औसत" गड़बड़ा जाता है

दो जासूसी रणनीतियाँ

शोध पत्र क्या कहता है (और क्या नहीं कहता)

वास्तविक दुनिया का परीक्षण

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर