Don't Drop the Singletons: Efficient Inference for Pairwise Experiments with Independent Attrition

वैज्ञानिक प्रयोगों की दुनिया में, शोधकर्ता अक्सर सटीकता (precision) और व्यावहारिकता (practicality) के बीच एक कठिन चुनाव का सामना करते हैं। यह पता लगाने के लिए कि क्या कोई नया उपचार काम करता है, वैज्ञानिक अक्सर रैंडमाइजेशन (randomization) नामक एक विधि का उपयोग करते हैं, जहाँ वे लोगों को संयोग से या तो एक उपचार समूह (treatment group) या एक नियंत्रण समूह (control group) में रखते हैं। इसका एक लोकप्रिय और शक्तिशाली संस्करण इसमें प्रतिभागियों को आपस में बहुत समान लोगों के जोड़े बनाने में शामिल करता है—जैसे समान आय वाले पड़ोसी या समान परीक्षण स्कोर वाले छात्र—और फिर यादृच्छिक रूप से जोड़े में से एक व्यक्ति को उपचार दिया जाता है जबकि दूसरा नियंत्रण के रूप में कार्य करता है। यह "पेयरवाइज़" (pairwise) दृष्टिकोण प्रत्येक विषय के लिए एक अंतर्निहित नियंत्रण की तरह है, जो आमतौर पर दो बड़े, मिश्रित समूहों की तुलना में परिणामों को बहुत अधिक सटीक और विश्वसनीय बनाता है। हालाँकि, वास्तविक दुनिया के अध्ययनों में एक निरंतर समस्या 'एट्रिशन' (attrition) है: प्रयोग समाप्त होने से पहले लोगों का अध्ययन छोड़ देना। जब ऐसा होता है, तो एक जोड़ा एक सदस्य को खो सकता है, जिससे दूसरा व्यक्ति बिना किसी साथी के रह जाता है। वर्षों तक, मानक सलाह यह रही है कि इन "अनाथ" एकल व्यक्तियों (singletons) को हटा दिया जाए और केवल उन जोड़ों का विश्लेषण किया जाए जिनमें दोनों लोग बने रहे। तर्क यह था कि बिना साथी के, डेटा बहुत अव्यवस्थित था। हालाँकि, इस अभ्यास का अर्थ था कि शोधकर्ता मूल्यवान जानकारी को त्याग रहे थे, जिससे प्रभावी रूप से उनका अध्ययन छोटा हो रहा था और वास्तविक प्रभावों का पता लगाना कठिन हो रहा था।

दो शोधकर्ताओं, साइमन हेस (Simon Heß) और पैट्रिक डब्ल्यू. श्मिट (Patrick W. Schmidt) ने इस लंबे समय से चली आ रही नियम को चुनौती दी है। उनका तर्क है कि अधूरे जोड़ों के डेटा का उपयोग करने का डर गलत है, बशर्ते कि लोग छोड़ने का कारण उन्हें दिए गए उपचार से संबंधित न हो। अपने नए कार्य में, वे प्रदर्शित करते हैं कि हर एक अवलोकन को रखना संभव है, यहाँ तक कि अकेले बचे लोगों को भी, और फिर भी अत्यधिक सटीक परिणाम प्राप्त करना संभव है। उन्होंने डेटा का विश्लेषण करने का एक नया तरीका विकसित किया है जो मूल युग्म संरचना (pairing structure) का सम्मान करता है और पूर्ण जोड़ों की जानकारी को अधूरे जोड़ों की जानकारी के साथ बुद्धिमानी से जोड़ता है। सिंगलटन्स को छोड़ने के बजाय, उनकी विधि उन्हें पहेली के उपयोगी टुकड़ों के रूप में देखती है, और उन्हें उनके द्वारा प्रदान की जाने वाली जानकारी के आधार पर उचित भार (weight) देती है। ऐसा करके, वे दिखाते हैं कि शोधकर्ता डिज़ाइन की उच्च सटीकता बनाए रख सकते हैं और डेटा खोने के सांख्यिकीय दंड से बच सकते हैं।

उनकी खोज का मूल एक विशिष्ट परीक्षण प्रक्रिया है जो एक स्मार्ट फ़िल्टर की तरह कार्य करती है। जब एक अध्ययन में प्रतिभागी कम हो जाता है, तो पारंपरिक दृष्टिकोण पूरे जोड़े को विश्लेषण से हटा देता है, मानो वह व्यक्ति कभी मौजूद ही नहीं था। लेखकों का कहना है कि यह साक्ष्य का एक बड़ा हिस्सा फेंक देता है। उनकी नई विधि 'रैंडमाइजेशन इन्फरेंस' (randomization inference) नामक तकनीक का उपयोग करती है, जो इस तथ्य पर निर्भर करती है कि उपचार प्रत्येक जोड़े के भीतर एक सिक्के के उछाल (coin flip) द्वारा निर्धारित किया गया था। वे एक टेस्ट स्टैटिस्टिक (test statistic) बनाते हैं जो पूर्ण जोड़ों के परिणामों के अंतर और सिंगलटन्स के बीच के अंतर को देखता है, और फिर इन दो सूचना स्रोतों को आपस में मिला देता है। यह मिश्रण गणितीय सटीकता के साथ किया जाता है: पूर्ण जोड़े, जो दो समान लोगों के बीच सीधा तुलना प्रदान करते हैं, उन्हें अधिक भार दिया जाता है, जबकि सिंगलटन्स, जो पूरे समूह के माध्यम से एक व्यापक तुलना प्रदान करते हैं, उन्हें छोटा लेकिन महत्वपूर्ण भार दिया जाता है। यह संयोजन अध्ययन को शेष बचे हर डेटा बिंदु का उपयोग करने की अनुमति देता है, जिससे वास्तविक प्रभाव का पता लगाने की शक्ति अधिकतम हो जाती है।

यह सिद्ध करने के लिए कि यह काम करता है, शोधकर्ताओं ने व्यापक सिमुलेशन और सैद्धांतिक गणनाएँ चलाईं। उन्होंने अपने नए तरीके की तुलना दो मानक तरीकों से की जिनका वैज्ञानिक वर्तमान में इस समस्या को संभालने के लिए उपयोग करते हैं। पहला मानक तरीका "पेयर्ड टी-टेस्ट" (paired t-test) है, जो अधूरे जोड़ों को फेंक देने के पुराने नियम का पालन करता है। दूसरा तरीका "टू-सैंपल टी-टेस्ट" (two-sample t-test) है, जो युग्मन (pairing) को पूरी तरह से अनदेखा करता है और बस सभी उपचारित लोगों के औसत की तुलना सभी नियंत्रण लोगों के औसत से करता है। लेखकों ने पाया कि उनका नया दृष्टिकोण दोनों से लगातार बेहतर प्रदर्शन करता है। उन परिदृश्यों में जहाँ मिलान की गुणवत्ता उच्च थी—अर्थात, जोड़े बहुत अच्छी तरह से मेल खाते थे—पुराने पेयर्ड पद्धति ने जैसे ही लोगों ने अध्ययन छोड़ा, बहुत अधिक शक्ति खो दी। वह पद्धति जो युग्मन को पूरी तरह अनदेखा करती थी, अक्सर बहुत रूढ़िवादी (conservative) थी, जिससे वह उन प्रभावों को देखने में विफल रही जो वास्तव में मौजूद थे। हालाँकि, नया तरीका दोनों पर हावी रहा, जिसने उनके द्वारा परीक्षण किए गए एट्रिशन और मिलान गुणवत्ता के हर स्तर पर मजबूत परिणाम दिए।

शोधकर्ताओं ने इस सामान्य चिंता का भी समाधान किया कि क्या यह नई विधि व्यवहार में उपयोग करने के लिए बहुत जटिल है। उन्होंने दिखाया कि जटिल वेटिंग (weighting) और टेस्टिंग को एक मानक सांख्यिकीय उपकरण जिसे 'वेटेड रिग्रेशन' (weighted regression) कहा जाता है, का उपयोग करके किया जा सकता है, जो लगभग सभी सामान्य सॉफ्टवेयर पैकेज में उपलब्ध है। एक शोधकर्ता बस सॉफ्टवेयर को सारा डेटा शामिल करने, सिंगलटन्स को एक विशिष्ट भार देने, और पूर्ण जोड़ों के लिए फिक्स्ड इफेक्ट्स (fixed effects) शामिल करने के लिए कह सकता है। यह इस शक्तिशाली नई विधि को किसी भी ऐसे व्यक्ति के लिए सुलभ बनाता है जो एक बुनियादी विश्लेषण चला सकता है, जिससे विशेष, कस्टम-निर्मित कोड की आवश्यकता वाला अवरोध हट जाता है। लेखक इस बात पर जोर देते हैं कि यह समाधान तब सबसे अच्छा काम करता है जब ड्रॉपआउट (छोड़ने वाले लोग) उपचार से असंबंधित कारणों से होते हैं, जैसे कि कहीं और चले जाना या रुचि खो देना, न कि इसलिए कि उपचार ने उन्हें बदतर महसूस कराया। यदि ड्रॉपआउट स्वयं उपचार से संबंधित हैं, तो समस्या बहुत कठिन हो जाती है, लेकिन अधिकांश मामलों में जहाँ ड्रॉपआउट यादृच्छिक (random) होते हैं, नई विधि एक स्पष्ट मार्ग प्रदान करती है।

एक अंतिम जांच में, लेखकों ने अपने अनुकूलित पेयर्ड डिज़ाइन की तुलना एक अलग रणनीति से की जो ड्रॉपआउट की उम्मीद होने पर अनुशंसित की जाती है: बड़े समूहों का उपयोग करना, जैसे कि चार का समूह। विचार यह है कि चार के समूह में, यदि एक व्यक्ति चला जाता है, तो तीन शेष रहते हैं, जिससे समूह की अधिक संरचना सुरक्षित रहती है। शोधकर्ताओं ने इस परिदृश्य का सिमुलेशन किया और पाया कि बड़े समूहों के बावजूद, उनके जोड़ों के अनुकूलित तरीके ने अपना स्थान बनाए रखा। कई मामलों में, जोड़ों के सटीक मिलान से प्राप्त दक्षता, उनके द्वारा उपयोग की गई पूरी डेटा पद्धति के साथ मिलकर, बड़े समूहों को हराने के लिए पर्याप्त थी। यह सुझाव देता है कि शोधकर्ताओं को केवल इसलिए युग्म डिज़ाइन छोड़ने की आवश्यकता नहीं है क्योंकि वे एट्रिशन से डरते हैं। इसके बजाय, वे अधिक सटीक युग्मन रणनीति पर टिके रह सकते हैं और डेटा का पूर्ण उपयोग सुनिश्चित करने के लिए नई विश्लेषण तकनीक लागू कर सकते हैं।

किसी भी अध्ययन को चलाने वाले व्यक्ति के लिए इस कार्य के निहितार्थ स्पष्ट हैं। यह एक अध्ययन को एक सख्त, कुशल डिज़ाइन बनाए रखने और एट्रिशन के कारण डेटा खोने के बीच के समझौते (trade-off) को समाप्त करता है। सिंगलटन्स को छोड़ने के बजाय, उन्हें सही भार के साथ विश्लेषण में बुनकर, शोधकर्ता अपने अध्ययन की शक्ति को बनाए रख सकते हैं और अपने निष्कर्षों को मजबूत बना सकते हैं। यह पेपर एक व्यावहारिक टूलकिट प्रदान करता है जो एक संभावित कमजोरी—प्रतिभागियों को खोना—को एक प्रबंधनीय प्रक्रिया में बदल देता है, यह सुनिश्चित करता है कि अंतिम परिणाम केवल जीवित बचे लोगों के बजाय प्रयोग के पूर्ण दायरे को दर्शाते हैं।