📊 statistics

A Permutation Test for a Modified Spearman’s Rank Correlation Using Martingale-Residual Ranks Under Right Censoring

यह शोध पत्र एक संशोधित स्पीयरमैन रैंक सहसंबंध गुणांक के लिए एक सुदृढ़ क्रमपरिवर्तन परीक्षण (परम्यूटेशन टेस्ट) प्रस्तावित करता है जो राइट-सेंसर्ड डेटा को प्रभावी ढंग से संभालने के लिए एकचर मार्टिंगेल अवशेषों (यूनिवेरिएट मार्टिंगेल रेसिडुअल्स) का उपयोग करता है, जो एसिम्प्टोटिक रूप से सही टाइप I त्रुटि नियंत्रण सुनिश्चित करता है और सेंसरिंग की अनुपस्थिति में शास्त्रीय परीक्षण में परिवर्तित हो जाता है।

मूल लेखक: Alan D. Hutson, Han Yu

प्रकाशित 2026-08-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alan D. Hutson, Han Yu

मूल पेपर CC BY 4.0 (https://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 सुलझाने की कोशिश कर रहे हैं: "क्या ये दो चीजें एक साथ होती हैं?" सांख्यिकी (statistics) की दुनिया में, इसे सहसंबंध (correlation) खोजना कहा जाता है। आमतौर पर, यदि आप जानना चाहते हैं कि क्या दो चर (variables) आपस में जुड़े हुए हैं, तो आप उन्हें एक कतार में खड़ा करते हैं और देखते हैं कि क्या वे एक ही ताल में चल रहे हैं। लेकिन क्या होता है जब आपके सुराग अधूरे हों? चिकित्सा और जीव विज्ञान की दुनिया में, हम अक्सर इस बात को ट्रैक करते हैं कि किसी चीज़ के होने में कितना समय लगता है—जैसे कि किसी मरीज का ठीक होना या किसी मशीन का खराब होना—लेकिन कभी-कभी अध्ययन समाप्त होने तक वह घटना अभी तक हुई नहीं होती है। हम इसे "सेंसरिंग" (censoring) कहते हैं। यह एक दौड़ देखने जैसा है जहाँ कुछ धावक अभी भी ट्रैक पर हैं जब कैमरा बंद हो जाता है; आप जानते हैं कि वे दौड़ रहे थे, लेकिन आपको यह नहीं पता कि वे पहले स्थान पर आए या अंतिम।

दशकों से, सांख्यिकीविदों के पास दो चीजों के बीच संबंध की जांच करने के लिए एक पसंदीदा उपकरण रहा है जो एक सीधी रेखा वाले संबंध को मानकर नहीं चलता: स्पीयरमैन रैंक कोरिलेशन (Spearman's Rank Correlation)। इसे इस तरह सोचने के दो तरीके हैं: "जब एक चीज़ बढ़ती है, तो क्या दूसरी भी बढ़ती है?" जो पूरी तरह से उनके क्रम (order) पर आधारित है, न कि उनके सटीक नंबरों पर। यह मजबूत है, विश्वसनीय है, और तब बहुत अच्छा काम करता है जब आपके पास परिणामों की एक पूरी सूची हो। लेकिन जब "सेंसरिंग" कमरे में प्रवेश करती है—जब कुछ डेटा बीच में ही कट जाता है—तो यह क्लासिक टूल टूट जाता है। पुराने तरीके या तो हार मान लेते हैं, या बहुत अधिक रूढ़िवादी (conservative) हो जाते हैं (वास्तविक संबंधों को मिस कर देते हैं), या यह नहीं बता पाते कि कोई लिंक वास्तव में मौजूद है या यह केवल एक इत्तेफाक है। वैज्ञानिक फंस गए थे, उन्हें इन अधूरे धावकों को रैंक करने के लिए एक नए तरीके की आवश्यकता थी ताकि यह देखा जा सके कि क्या वे वास्तव में एक ही ताल में दौड़ रहे थे।

यह शोध पत्र उस सटीक समस्या को हल करने के लिए एक चतुर नया डिटेक्टिव टूल पेश करता है। लेखक, एलन डी. हट्सन और हान यू, एक ऐसी विधि प्रस्तावित करते हैं जो टूटी हुई रैंकिंग प्रणाली को ठीक करने के लिए "मार्टिंगेल रेसिडुअल्स" (Martingale Residuals) नामक चीज़ का उपयोग करती है। सेंसर किए गए डेटा को लापता टुकड़ों वाले एक पहेली (puzzle) के रूप में कल्पना करें। अनुमान लगाने के बजाय, उनकी विधि सबसे तार्किक "घोस्ट" (ghost) मानों के साथ इन लापता टुकड़ों को भरने के लिए एक गणितीय ट्रिक (कैप्लान-मेयर एस्टीमेटर पर आधारित, जो उत्तरजीविता दर का अनुमान लगाने का एक मानक तरीका है) का उपयोग करती है। ये घोस्ट मान, या रेसिडुअल्स, एक पुल की तरह कार्य करते हैं: यदि कोई सेंसिंग नहीं है, तो वे गायब हो जाते हैं और यह टूल बिल्कुल क्लासिक स्पीयरमैन टेस्ट की तरह काम करता है। लेकिन यदि सेंसिंग मौजूद है, तो वे रैंकों को समायोजित करते हैं ताकि अधूरे डेटा की भी निष्पक्ष रूप से तुलना की जा सके।

शोधकर्ताओं ने फिर इस नए टूल को कठोर परीक्षणों की एक श्रृंखला से गुजारा। उन्होंने हजारों परिदृश्यों को सिम्युलेट किया जहाँ डेटा अलग-अलग दरों पर कटा हुआ था—कभी 50% डेटा गायब था, कभी 67%—यह देखने के लिए कि क्या उनकी विधि एक लिंक को सही ढंग से पहचान सकती है जब वह मौजूद हो और सही ढंग से "कोई लिंक नहीं" कह सकती है जब वह न हो। परिणाम उत्साहजनक थे: नए टेस्ट ने अपने "टाइप I एरर" (गलत तरीके से संबंध खोजने का जोखिम) को कड़ाई से नियंत्रण में रखा, जो अपेक्षित 5% या 1% स्तरों पर बना रहा। इससे भी महत्वपूर्ण बात यह है कि यह पिछले सबसे अच्छे विकल्प (एक संशोधित केंडल स्टैटिस्टिक) की तुलना में वास्तविक कनेक्शनों को पहचानने में बहुत बेहतर था, जो अत्यधिक सतर्क रहने की प्रवृत्ति रखता था और सिग्नल को मिस कर देता था।

यह साबित करने के लिए कि यह वास्तविक दुनिया में काम करता है, लेखकों ने अपने मेथड को दो वास्तविक मेडिकल डेटासेट्स पर लागू किया। एक में, उन्होंने देखा कि बर्न पेशेंट्स (जलने वाले मरीजों) पर स्किन ग्राफ्ट कितने समय तक जीवित रहते हैं; दूसरे में, उन्होंने जांच की कि पोर्टेबल डायलिसिस उपकरणों का उपयोग करने वाले किडनी के मरीजों में संक्रमण कितनी बार होता है। दोनों मामलों में, नए टेस्ट ने जोड़े गए परिणामों के बीच एक सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक संबंध पाया, जिसमें p-वैल्यू क्रमशः 0.044 और 0.031 थे। यह सुझाव देता है कि यह विधि शोधकर्ताओं को जटिल, अधूरे मेडिकल डेटा को सुलझाने में मदद करने के लिए तैयार है, जो यह देखने का एक विश्वसनीय तरीका प्रदान करती है कि क्या दो सर्वाइवल टाइम एक ही ताल में चल रहे हैं, भले ही सभी के लिए दौड़ अभी खत्म न हुई हो।

तकनीकी सारांश: राइट सेंसरिंग (Right Censoring) के तहत मार्टिंगेल-रेसिडुअल रैंकों का उपयोग करके एक संशोधित स्पीयरमैन रैंक सहसंबंध के लिए एक परम्यूटेशन टेस्ट

समस्या विवरण
जुड़ाव के रैंक-आधारित माप, विशेष रूप से स्पीयरमैन रैंक सहसंबंध गुणांक ( $\rho_s$ ), नॉनपैरामेट्रिक सांख्यिकी में मोनोटोनिक संबंधों को पकड़ने के लिए मौलिक उपकरण हैं। हालाँकि, उनके अनुप्रयोग राइट-सेंसर्ड सर्वाइवल डेटा (right-censored survival data) के लिए महत्वपूर्ण चुनौतियाँ पेश करते हैं। जबकि हालिया साहित्य ने "स्पीयरमैन-जैसे" सहसंबंधों के एस्टिमेटर्स प्रस्तावित किए हैं जो सेंसरिंग की अनुपस्थिति में शास्त्रीय गुणांक में बदल जाते हैं, ये विधियाँ आमतौर पर सेंसरिंग के तहत सही टाइप I एरर कंट्रोल के साथ $H_0: \rho_s = 0$ के लिए एक वैध परिकल्पना परीक्षण प्रदान करने में विफल रहती हैं। मौजूदा विकल्प, जैसे कि सेंसरिंग के अनुकूल की गई केंडल-प्रकार की कॉनकॉर्डेंस माप, स्वतंत्रता परीक्षण तो प्रदान करते हैं लेकिन वे $\rho_s$ को लक्षित नहीं करते हैं और अक्सर अत्यधिक रूढ़िवादी (conservative) होते हैं। फलस्वरूप, एक ऐसी विधि के लिए अंतराल मौजूद है जो (i) राइट सेंसरिंग के तहत डैप्टिवली सही टाइप I एरर कंट्रोल प्राप्त करती है, (ii) लागू होती है जब एक या दोनों मार्जिन सेंसर हों, और (iii) सेंसरिंग की अनुपस्थिति में ठीक शास्त्रीय स्पीयरमैन परम्यूटेशन टेस्ट में बदल जाती है। लेखकों के सर्वोत्तम ज्ञान के अनुसार, कोई भी मौजूदा विधि इन तीनों मानदंडों को एक साथ पूरा नहीं करती है।

कार्यप्रणाली (Methodology)
लेखक यूनिवेरिएट मार्टिंगेल रेसिडुअल्स (Univariate Martingals Residuals - UMRs) पर आधारित एक सुदृढ़ परम्यूटेशन टेस्टिंग फ्रेमवर्क प्रस्तावित करते हैं। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

डेटा रूपांतरण (Data Transformation): स्वतंत्र राइट-सेंसरिंग $(C_i, D_i)$ के अधीन युग्मित विफलता समय $(S_i, T_i)$ के लिए, देखा गया डेटा $(X_i, \delta_{Si})$ और $(Y_i, \delta_{Ti})$ है। विधि कपलान-मीयर संचयी खतरा एस्टिमेटर्स ( $\hat{H}_S$ और $\hat{H}_T$ ) का उपयोग करके UMRs का निर्माण करती है:
$m_{Si} = \delta_{Si} - \hat{H}_S(X_i), \quad m_{Ti} = \delta_{Ti} - \hat{H}_T(Y_i)$
ये रेसिडुअल्स एक रैंक-जनरेटिंग ट्रांसफॉर्मेशन के रूप में कार्य करते हैं। जब कोई सेंसरिंग नहीं होती है, तो वे मूल डेटा के स्ट्रिक्टली मोनोटोनिक ट्रांसफॉर्मेशन में बदल जाते हैं। सेंसरिंग के तहत, वे सर्वाइवल जानकारी को कपलान-मीयर एस्टिमेटर के माध्यम से शामिल करते हैं जबकि उच्च संभावना के साथ देखे गए समय के क्रम को बनाए रखते हैं।
रैंक गणना (Rank Calculation): UMRs को रैंक करने के लिए युग्मित रैंक $(a_i, b_i)$ प्राप्त किए जाते हैं।
टेस्ट स्टैटिस्टिक (Test Statistic): इन रैंकों के आधार पर एक संशोधित स्पीयरमैन रैंक सहसंबंध गुणांक, $r_s(m_S, m_T)$ , की गणना की जाती है। परम्यूटेशन टेस्ट को सुगम बनाने के लिए, एक स्टूडेंटाइज्ड स्टैटिस्टिक $R_s = r_s / \hat{\tau}_n$ बनाया जाता है, जहाँ $\hat{\tau}_n$ रैंकों के मोमेंट्स से प्राप्त विचरण (variance) एस्टिमेटर है।
परम्यूटेशन फ्रेमवर्क (Permutation Framework): शून्य परिकल्पना $H_0: \rho_s = 0$ का परीक्षण दूसरे चर ( $b_i$ ) के रैंक को परम्यूट करने के माध्यम से किया जाता है, जबकि पहले चर को स्थिर रखा जाता है। $p$ -वैल्यू स्टूडेंटाइज्ड स्टैटिस्टिक के परम्यूटेशन डिस्ट्रीब्यूशन से प्राप्त की जाती है।

सैद्धांतिक आधार (Theoretical Foundations)
परीक्षण की वैधता सर्वाइवल एनालिसिस में मानक कई रेगुलैरिटी कंडीशंस (जैसे i.i.d. विफलता समय, स्वतंत्र सेंसरिंग, निरंतर वितरण और कपलान-मीयर एस्टिमेटर्स की यूनिफॉर्म स्ट्रॉन्ग कंसिस्टेंसी) पर टिकी है।

एसिम्प्टोटिक एक्सचेंजबिलिटी (Asymptotic Exchangeability): $H_0$ के तहत, UMRs के नॉर्मलाइज्ड रैंक लगभग निश्चित रूप से स्वतंत्र यूनिफॉर्म रैंडम वेरिएबल्स में अभिसरित (converge) होते हैं। यह स्थापित करता है कि रैंक किए गए जोड़ों का संयुक्त वितरण परम्यूटेशन के तहत एसिम्प्टोटिक रूप से इनवेरिएंट है।
परम्यूटेशन डिस्ट्रीब्यूशन की वैधता: स्टैटिस्टिक के होफडिंग डीकंपोजिशन (Hoeffding decomposition) और स्टूडेंटाइजेशन प्रक्रिया का लाभ उठाकर, लेखक यह प्रदर्शित करते हैं कि परम्यूटेशन डिस्ट्रीब्यूशन टेस्ट स्टैटिस्टिक के सैंपलिंग डिस्ट्रीब्यूशन का लगातार अनुमान लगाता है।
एसिम्प्टोटिक टाइप I एरर कंट्रोल: यह प्रक्रिया गारंटी देती है कि सैंपल साइज बढ़ने के साथ रिजेक्शन प्रोबेबिलिटी नामांकित महत्व स्तर $\alpha$ की ओर अभिसरित होती है।
रिडक्शन प्रॉपर्टी (Reduction Property): सेंसरिंग की अनुपस्थिति में, UMRs मूल डेटा के स्ट्रिक्टली मोनोटोनिक ट्रांसफॉर्मेशन बन जाते हैं, जिससे यह सुनिश्चित होता है कि टेस्ट ठीक शास्त्रीय स्टूडेंटाइज्ड परम्यूटेशन टेस्ट के लिए स्पीयरमैन के $\rho_s$ में बदल जाता है।

परिणाम (Results)
लेखकों ने सिमुलेशन अध्ययनों और वास्तविक डेटा अनुप्रयोगों के माध्यम से विधि का मूल्यांकन किया:

सिमुलेशन अध्ययन: अलग-अलग डिग्री की सेंसरिंग (मध्यम $\approx$ $\approx$ 50% और भारी $\approx$ $\approx$ 67%) के साथ दो परिदृश्यों का परीक्षण किया गया।
- टाइप I एरर: प्रस्तावित टेस्ट ने सभी सैंपल साइज और महत्व स्तरों ( $\alpha = 0.01, 0.05, 0.10$ ) में टाइप I एरर पर मजबूत नियंत्रण दिखाया।
- पावर (Power): टेस्ट ने पूरी तरह से देखे गए डेटा पर लागू क्लासिकल पियर्सन सहसंबंध परीक्षण की तुलना में प्रतिस्पर्धी पावर प्रदर्शित की, यहाँ तक कि सेंसरिंग की उपस्थिति में भी।
- तुलना: प्रस्तावित विधि संशोधित केंडल कॉनकॉर्डेंस स्टैटिस्टिक (Oakes, 1987) से काफी बेहतर रही, जिसे अत्यधिक रूढ़िवादी (टाइप I एरर $< 0.002$ ) पाया गया और इसकी पावर भी काफी कम थी।
वास्तविक डेटा उदाहरण:
1. स्किन ग्राफ्ट सर्वाइवल: बर्न पेशेंट्स ( $n=11$ ) के लिए युग्मित सर्वाइवल समय के विश्लेषण ने एक महत्वपूर्ण सकारात्मक जुड़ाव ( $p=0.044$ ) प्रकट किया।
2. किडनी इन्फेक्शन रिकरेंस: डायलिसिस का उपयोग करने वाले किडनी पेशेंट्स के लिए रिकरेंस समय के विश्लेषण (मिश्रित सेंसरिंग पैटर्न के साथ, $n=38$ ) ने एक सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक जुड़ाव ( $p=0.031$ ) दिखाया।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि यह राइट सेंसरिंग के तहत $H_0: \rho_s = 0$ के लिए एक हाइपोथीसिस टेस्ट प्रदान करके एक महत्वपूर्ण पद्धतिगत अंतराल को संबोधित करता है जो तीन विशिष्ट मानदंडों को संतुष्ट करता है: एसिम्प्टोटिक शुद्धता, सिंगली या डॉबली सेंसर मार्जिन के लिए प्रयोज्यता, और सेंसरिंग की अनुपस्थिति में शास्त्रीय टेस्ट में सटीक रूपांतरण। लेखकों के सर्वोत्तम ज्ञान के अनुसार, कोई भी मौजूदा विधि इन तीनों मानदंडों को एक साथ पूरा नहीं करती है। लेखक इस बात पर जोर देते हैं कि उनकी विधि "सरल और सुदृढ़" (straightforward and robust) है, जो बायोमेडिकल अनुप्रयोगों के लिए एक विश्वसनीय उपकरण प्रदान करती है जहाँ युग्मित सर्वाइवल परिणाम सामान्य हैं। R सॉफ्टवेयर कार्यान्वयन की उपलब्धता को इस कार्यप्रणाली को अपनाने में सुविधा प्रदान करने वाले एक प्रमुख कारक के रूप में रेखांकित किया गया है। लेखक इस कार्य को भविष्य के विस्तार, जैसे कि स्वतंत्रता के सटीक परीक्षण और कोवेरिएट-एडजस्टेड रैंक सहसंबंधों के लिए एक आधार के रूप में देखते हैं, लेकिन वे इन व्यापक समस्याओं के तत्काल समाधान का दावा नहीं करते हैं।

इसी तरह के और पेपर