এলোমেলোভাবে নিয়োগ: কেন বিরক্ত?

Question

এলোমেলোভাবে কার্যনির্বাহী মূল্যবান কারণ এটি সম্ভাব্য ফলাফলগুলি থেকে চিকিত্সার স্বাধীনতা নিশ্চিত করে। এইভাবে এটি চিকিত্সার গড় প্রভাব সম্পর্কে নিরপেক্ষ অনুমানের দিকে নিয়ে যায়। তবে অন্যান্য অ্যাসাইনমেন্ট প্রকল্পগুলি সম্ভাব্য ফলাফলগুলি থেকে চিকিত্সার স্বাধীনতার ব্যবস্থাও নিয়মিতভাবে করতে পারে। তাহলে আমাদের কেন এলোমেলোভাবে নিয়োগ দরকার? আরেকটি উপায় রাখুন, ননরানডম অ্যাসাইনমেন্ট স্কিমগুলির তুলনায় এলোমেলোভাবে অ্যাসাইনমেন্টের সুবিধা কী তাও পক্ষপাতদুষ্ট অনুক্রমের দিকে পরিচালিত করে?

যাক চিকিত্সা কার্যভারের ভেক্টর যাতে প্রতিটি উপাদান 0 (চিকিত্সার জন্য নিযুক্ত না হওয়া ইউনিট) বা 1 (চিকিত্সার জন্য নিযুক্ত ইউনিট) হয়। জাসার একটি নিবন্ধে অ্যাঞ্জিস্ট, আইম্বেন্স এবং রুবিন (১৯৯ 1996, ৪66-৪-4) বলেছেন যে treatment জন if) হলে চিকিত্সা কার্যভার এলোমেলো is সকলের জন্য th mathbf {c} এবং \ mathbf {c'} যেমন \ iota ^ T \ mathbf {c} = \ iota ^ T \ mathbf {c '} , যেখানে \ iota একটি 1 এর সমান সকল উপাদান সহ কলামের ভেক্টর।$\mathbf{Z}$$Z_i$$\Pr(\mathbf{Z} = \mathbf{c}) = \Pr(\mathbf{Z} = \mathbf{c'})$$\mathbf{c}$$\mathbf{c'}$$\iota^T\mathbf{c} = \iota^T\mathbf{c'}$$\iota$

কথায় কথায়, দাবিটি হ'ল অ্যাসাইনমেন্ট $Z_i$ এলোমেলো যদি চিকিত্সার ক্ষেত্রে $m$ এসাইনমেন্ট অন্তর্ভুক্ত এমন কোনও অ্যাসাইন্টরের ভেক্টর সম্ভবত অন্য যে কোনও ভেক্টরের সাথে চিকিত্সার জন্য $m$ অ্যাসাইনমেন্ট অন্তর্ভুক্ত থাকে ।

তবে, চিকিত্সার কার্যভার থেকে সম্ভাব্য ফলাফলগুলির স্বাধীনতা নিশ্চিত করার জন্য, অধ্যয়নের প্রতিটি ইউনিটের চিকিত্সার কার্যভারের সমান সম্ভাবনা রয়েছে কিনা তা নিশ্চিত করা যথেষ্ট। এবং এটি বেশিরভাগ চিকিত্সার কার্যভার ভেক্টরগুলির নির্বাচিত হওয়ার সম্ভাবনা শূন্য হলেও সহজেই ঘটতে পারে । অর্থাৎ এটি ননর্যান্ডম অ্যাসাইনমেন্টের অধীনেও ঘটতে পারে।

এখানে একটি উদাহরণ। আমরা চারটি ইউনিট নিয়ে একটি পরীক্ষা চালাতে চাই যেখানে ঠিক দু'জনকে চিকিত্সা করা হয়। সম্ভাব্য ছয়টি অ্যাসাইনমেন্ট ভেক্টর রয়েছে:

1. 1100
2. 1010
3. 1001
4. 0110
5. 0101
6. 0011

যেখানে প্রতিটি সংখ্যার প্রথম সংখ্যাটি নির্দেশ করে যে প্রথম ইউনিটটি চিকিত্সা করা হয়েছিল কিনা, দ্বিতীয় অঙ্কটি নির্দেশ করে যে দ্বিতীয় ইউনিটটি চিকিত্সা করা হয়েছিল কিনা ইত্যাদি।

মনে করুন যে আমরা একটি পরীক্ষা চালিয়েছি যেখানে আমরা অ্যাসাইনমেন্ট ভেক্টর 3 এবং 4 এর সম্ভাবনা বাদ দিই, তবে অন্যান্য ভেক্টরগুলির প্রত্যেকেরই নির্বাচিত হওয়ার সম্ভাবনা সমান (25%) থাকে। এই স্কিমটি এআইআর অর্থে এলোমেলোভাবে নিয়োগ নয়। তবে প্রত্যাশায় এটি চিকিত্সার গড় প্রভাব সম্পর্কে নিরপেক্ষ অনুমানের দিকে নিয়ে যায়। এবং এটি কোনও দুর্ঘটনা নয়। যে কোনও অ্যাসাইনমেন্ট স্কিম যা সাবজেক্টগুলিকে চিকিত্সার ক্ষেত্রে অ্যাসাইনমেন্টের সমান সম্ভাবনা দেয় তা এটিইর পক্ষপাতহীন অনুমানের অনুমতি দেবে।

সুতরাং: কেন এআইআর অর্থে আমাদের এলোমেলো অ্যাসাইনমেন্টের প্রয়োজন? আমার যুক্তিটি এলোমেলোভাবে নির্ধারণের মূল; যদি কেউ মডেল-ভিত্তিক অনুমানের পরিবর্তে চিন্তা করে, তবে কি এআইআর সংজ্ঞাটি আরও ডিফেন্সেবল মনে হয়?

Comments

আমি অ্যাঞ্জিস্ট এট ইত্যাদি পড়িনি, তাই সম্ভবত আমি কিছু মিস করছি, তবে আমার কাছে একটি বোতল ডাব্লু / আপনার বাক্স রয়েছে। সম্ভাব্য ফলাফলগুলির চেয়ে চিকিত্সা স্বাধীন কিনা তা নিশ্চিত করার জন্য আমরা এলোমেলোভাবে অ্যাসাইনমেন্ট ব্যবহার করি না। প্রকৃত পরীক্ষায় চিকিত্সা ফলাফলের তুলনায় স্বতন্ত্র কিনা তা নির্ভর করে চিকিত্সা এবং ফলাফলের ক্ষেত্রে সরাসরি কার্যকারণ সংযোগ রয়েছে কিনা। পরিবর্তে, এলোমেলোভাবে কার্যভার নিশ্চিত করে যে চিকিত্সা লুকোচুরি ভেরিয়েবলগুলি (বা, সম্ভাব্য কনফাউন্ডার) থেকে স্বতন্ত্র । আমরা সম্ভাব্য চিকিত্সা বাদ দিলে ফলাফলটি অন্য কোনও কারণে ঘটেছিল এমন সম্ভাবনা।

— গুং - মনিকা পুনরায়

@ গুং, আমি মনে করি আপনি "সম্ভাব্য ফলাফল" এবং "ফলাফলগুলি" কে বিভ্রান্ত করছেন। এটি সত্য যে এলোমেলোভাবে নিয়োগ কার্য (ফলাফলটি পর্যবেক্ষণ করা) থেকে চিকিত্সার স্বাধীনতা নিশ্চিত করে না outcome তবে সম্ভাব্য ফলাফলগুলি পর্যবেক্ষণের ফলাফলের মতো নয় এবং এলোমেলোভাবে কার্যভার দেওয়া সম্ভাব্য ফলাফলগুলি থেকে চিকিত্সার স্বাধীনতা নিশ্চিত করে। আমি এই মুহুর্তে প্রসারিত করতে মূল পোস্টটি সম্পাদনা করব না; এটি করা আমাকে মূল বিষয় থেকে অনেক দূরে নিয়ে যাবে। তবে এন.ইউইউইকিপিডিয়া.org / উইকি / রবিন_কৌসাল_মডেল এই বিষয়টিতে সহায়ক হতে পারে।

— ব্যবহারকারী 697473

"[টি] হে চিকিত্সার কার্যভার থেকে সম্ভাব্য ফলাফলগুলির স্বাধীনতা নিশ্চিত করা, গবেষণার প্রতিটি ইউনিটের চিকিত্সার ক্ষেত্রে দায়িত্ব অর্পণের সমান সম্ভাবনা রয়েছে কিনা তা নিশ্চিত করা যথেষ্ট"। এটি ভুল। মনে করুন আপনি একটি গবেষণায় পুরুষ এবং মহিলা নিবন্ধভুক্ত করেছেন। ফর্সা মুদ্রাটি ফ্লিপ করুন: যদি প্রধান হয় তবে চিকিত্সা গোষ্ঠীতে (এবং সমস্ত পুরুষ নিয়ন্ত্রণ গ্রুপে) নিয়োগ করুন; যদি লেজ থাকে, সমস্ত পুরুষ চিকিত্সা গ্রুপে এবং সমস্ত কন্ট্রোল গ্রুপে থাকবে। প্রতিটি বিষয়ে (স্পষ্টতই) চিকিত্সা গোষ্ঠীতে অর্পণের 50% সম্ভাবনা রয়েছে - তবে চিকিত্সা সম্পূর্ণ লিঙ্গের সাথে বিভ্রান্ত হয়। $x$$x$

— whuber

@ শুভেচ্ছা, আপনার মন্তব্যটি সঠিক শোনাচ্ছে না। কেন তা দেখার জন্য, ধরুন = 1। সম্ভাব্য ফলাফলগুলি (1) = 1 এবং ওয়াই (0) = 0. (এটি, পুরুষের সাথে চিকিত্সা করা হলে = 1, 0 না হলে 0) মহিলার পক্ষে, সম্ভাব্য ফলাফলগুলি হ'ল Y (1) = -1 এবং Y (0) = 2. (নির্দিষ্ট সম্ভাব্য ফলাফলগুলি খুব বেশি গুরুত্ব দেয় না, তবে ছোট সংখ্যাগুলি জিনিসগুলিকে সহজ রাখে)) তারপরে E [Y (1) | জেড] = ই [ওয়াই (1)] = 0. অনুরূপ সমতা ই [ওয়াই (0)] এর জন্য ধারণ করে। আরও সাধারণভাবে, আপনার অ্যাসাইনমেন্ট প্রক্রিয়াটি লিঙ্গের সাথে বিভ্রান্ত নয়, এবং এটি নিরপেক্ষ এটিই অনুমান তৈরি করবে। আমি যদি কিছু ভুল বুঝে থাকি তবে দয়া করে আমাকে জানান। $x$$Y_m$

— ব্যবহারকারী 697473

অবশ্যই, অনুমানটি একইভাবে অর্থে "নিরপেক্ষ" যে থামানো ঘড়িটি সময়ের একটি নিরপেক্ষ অনুমান দেয়! প্রকৃতপক্ষে, এটি এর চেয়েও খারাপ: এলোমেলো নির্বাচনের এই পদ্ধতিটি এমন ফলাফল দেয় যা চিকিত্সার জন্য দায়ী করা যায় না, কারণ তারা ঠিক পাশাপাশি লিঙ্গকেও দায়ী করতে পারে। এটাই বিভ্রান্তিমূলক মানে। পরীক্ষায় সমস্ত দরকারী তথ্য ধ্বংস করার সময় নিরপেক্ষ ফলাফল অর্জনের দিকে

— মনোনিবেশ করা হ'ল প্রবাদ বাক্যটি

Answer 1

এটি গুং এর মন্তব্যে অনুসরণ করে। সামগ্রিক গড় চিকিত্সা প্রভাব বিন্দু নয়।

ধরুন আপনার কাছে নতুন ডায়াবেটিস রোগ রয়েছে যেখানে সাবজেক্টটি থেকে বছর বয়সের মধ্যে এবং ডায়াবেটিস রোগীদের বছরের বেশি বয়সী । আপনি চিকিত্সার অর্ধেক নিয়োগ করতে চান। কেন একটি মুদ্রা উল্টানো নয়, এবং মাথার উপর দিয়ে, সমস্ত তরুণ রোগীদের এবং লেজুতে সমস্ত বৃদ্ধ রোগীদের চিকিত্সা করা উচিত? প্রতিটি একটি$1000$$5$$15$$1000$$30$$50\%$চিকিত্সা হ'ল নির্বাচিত হওয়ার সুযোগ, সুতরাং এটি চিকিত্সার গড় ফলাফলটিকে পক্ষপাতিত্ব করবে না, তবে এটি প্রচুর তথ্য ফেলে দেবে। কিশোর ডায়াবেটিস বা কম বয়সী রোগীরা যদি টাইপ II বা গর্ভকালীন ডায়াবেটিস প্রাপ্ত বয়স্ক রোগীদের তুলনায় অনেক ভাল বা খারাপ প্রতিক্রিয়া দেখা দেয় তবে অবাক হওয়ার কিছু নেই। পর্যবেক্ষণ করা চিকিত্সার প্রভাবটি পক্ষপাতহীন হতে পারে তবে উদাহরণস্বরূপ, এলোমেলোভাবে অ্যাসাইনমেন্টের মাধ্যমে সৃষ্টির তুলনায় এর থেকে অনেক বড় স্ট্যান্ডার্ড বিচ্যুতি হতে পারে এবং বড় নমুনা সত্ত্বেও আপনি বেশি কিছু বলতে পারবেন না। যদি আপনি এলোমেলোভাবে কার্যনির্বাহী ব্যবহার করেন, তবে উচ্চ বয়সের সাথে প্রতিটি বয়সের প্রায় ক্ষেত্রে চিকিত্সা পাওয়া যায়, তাই আপনি প্রতিটি বয়সের মধ্যে কোনও চিকিত্সা না করে চিকিত্সার তুলনা করতে সক্ষম হবেন। $500$

এলোমেলো অ্যাসাইনমেন্ট ব্যবহারের চেয়ে আপনি আরও ভাল করতে সক্ষম হতে পারেন। আপনি যদি এমন কোনও ফ্যাক্টর লক্ষ্য করেন যা আপনার মনে হয় চিকিত্সার প্রতিক্রিয়াটিকে প্রভাবিত করতে পারে তবে আপনি নিশ্চিত করতে চাইতে পারেন যে এট্রিবিউটযুক্ত বিষয়গুলি এলোমেলো অ্যাসাইনমেন্টের মাধ্যমে ঘটবে তার চেয়ে বেশি সমানভাবে বিভক্ত হয়েছে। র্যান্ডম অ্যাসাইনমেন্ট আপনাকে একসাথে সমস্ত কারণের সাথে যুক্তিসঙ্গতভাবে ভাল করতে দেয়, যাতে আপনি পরে অনেকগুলি সম্ভাব্য নিদর্শন বিশ্লেষণ করতে পারেন।

Comments

ধন্যবাদ, ডগলাস এই উত্তরটি আমার কাছে বোধগম্য। রেকর্ডটির জন্য, আমি আপনার উদাহরণ বা উপরে @ হুবুহু উদাহরণ হিসাবে চরম কিছু মনে ছিল না। আমি কেবলমাত্র কয়েকটি চিকিত্সা ভেক্টর বিবেচনা থেকে বাদ দিয়েছি এমন মামলার পরিবর্তে আমি ভাবছিলাম। (এমন একটি ক্ষেত্রে বিবেচনা করুন যাতে কোনও ক্লায়েন্ট বলে "আপনি এই ব্যক্তির সাথে বা সেই ব্যক্তির সাথে চিকিত্সা করতে পারেন তবে উভয়ই নয়।") তবে আমি মনে করি যে আপনার সাধারণ পয়েন্টগুলি আমার মনে যে মৃদু মামলার বিষয় রয়েছে তার জন্যও এটি ধারণ করে।

— ব্যবহারকারী 697473

আমি মনে করি আপনি যদি কেবল কয়েকটি ভেক্টরকে অপসারণ করেন তবে আপনি যে পরিমাণ তথ্য সরিয়ে নিতে পারবেন তার পরিমাণ পরিবর্তন করবেন না। এটিকে সঠিকভাবে পরিমাপ করা অগোছালো হতে পারে - এমন নিষ্পাপ সীমানা রয়েছে যা সম্ভবত খুব হতাশাবোধক।

— ডগলাস জারে

@ ডগলাসজারে আপনার চরম উদাহরণ সম্পর্কে আমার একটি প্রশ্ন আছে। আমি বিশ্বাস করি যে তরুণ এবং বৃদ্ধ উভয় রোগী রয়েছে এমন জনসংখ্যার জন্য চিকিত্সা কার্যকর কিনা তা খুঁজে বের করা। তারপরে, আপনার পদ্ধতিটি এমন দুটি নমুনা তৈরি করবে যা সম্ভাব্য ফলাফল বিতরণ থেকে প্রতিনিধি নমুনা হিসাবে বিবেচনা করা যায় না যেখানে সমস্ত লোক চিকিত্সা নেয় এবং সম্ভাব্য ফলাফল বিতরণ যেখানে সমস্ত লোক নিয়ন্ত্রণ নেয়। সুতরাং আপনার পর্যবেক্ষণের চিকিত্সার প্রভাব পক্ষপাতযুক্ত$F_t$$F_c$

— কেভিনকিম

Answer 2

আপনার উদাহরণে আপনি 2 এবং 5 পাশাপাশি ছেড়ে দিতে পারেন এবং নিজের বিরোধিতা করতে পারবেন না। একটি আইটেম স্তরে এখনও 1 বা 0 হওয়ার সমান সম্ভাবনা রয়েছে যখন 1 বা 6 বাছাই করার ক্ষেত্রে 1: 1 মতবিরোধ রয়েছে তবে, এখন আপনি 3 এবং 4 মুছে ফেলে যা করেছেন তা আরও স্পষ্ট হয়ে উঠেছে।

Comments

ধন্যবাদ, জন হ্যাঁ আপনি সঠিক. দেখে মনে হচ্ছে যে আমরা যেকোন সংমিশ্রণে যতটা চিকিত্সা নিয়োগের ভেক্টরকে পছন্দ করতে পারি, ততক্ষণ আমরা বাকি ভেক্টরগুলিকে এমনভাবে ব্যবহার করি যা প্রতিটি ইউনিটকে চিকিত্সার দায়িত্বের সমান সম্ভাবনা দেয় prob

— ব্যবহারকারী 697473

আমি মনে করি না আপনি যা বলছেন তা পাচ্ছেন। আমি যা উপস্থাপন করেছি তা হল আপনার যুক্তির পক্ষে বিজ্ঞাপন অবিস্মরণীয় মামলা যা এর বিরুদ্ধে তর্ক করে।

— জন

আপনার উদাহরণটি চরম, তবে আমি এটি সম্পর্কে কোনও বিব্রতকর কিছু দেখছি না। এটি বিন্দুটির বৈধ প্রদর্শন: ননর্যান্ডম অ্যাসাইনমেন্ট স্কিমগুলি (কেবলমাত্র ভেক্টর 1 এবং 6 ব্যবহার করে) গড় চিকিত্সার প্রভাবের ভিত্তিহীন অনুমানের দিকে সরাসরি নিয়ে যেতে পারে। এটি অনুসরণ করে যে নিরপেক্ষ ATE অনুমান পেতে আমাদের এলোমেলোভাবে কার্যভারের দরকার নেই। অবশ্যই, ভেক্টরগুলিকে ২ থেকে ৫ এর মধ্যে অপসারণের খারাপ কারণগুলি এখনও থাকতে পারে ( উপরে ডগলাস জেরের মন্তব্য দেখুন ।) আমি এখনও এই কারণগুলির মধ্যে দিয়ে চিন্তা করি নি।

— ব্যবহারকারী 697473

তোমার উচিত. এ কারণেই আপনি এগুলি অপসারণ করতে পারবেন না।

— জন

Answer 3

এখানে লুক্কায়িত বা বিভ্রান্তিকর ভেরিয়েবলগুলির মধ্যে একটি আরেকটি: সময় (বা যন্ত্রের চালিকা, নমুনা স্টোরেজের প্রভাব ইত্যাদি)।
সুতরাং র্যান্ডমাইজেশনের বিরুদ্ধে যুক্তি রয়েছে (যেমন ডগলাস বলেছেন: আপনি এলোমেলোকরণের চেয়ে ভাল করতে পারেন)। উদাহরণস্বরূপ আপনি আগেই জানতে পারবেন যে আপনি চান যে আপনার কেসগুলি সময়ের সাথে সুষম হয়। ঠিক যেমনটি আপনি আগেই জানতে পারবেন যে আপনি লিঙ্গ এবং বয়সের ভারসাম্য বজায় রাখতে চান।

অন্য কথায়, আপনি যদি নিজের 6 টি স্কিমের মধ্যে ম্যানুয়ালি চয়ন করতে চান তবে আমি বলতে পারি যে 1100 (বা 0011) একটি সিদ্ধান্তযুক্ত খারাপ পছন্দ। দ্রষ্টব্য যে আপনি যে সম্ভাব্য সম্ভাবনাগুলি প্রথম নিক্ষেপ করেছিলেন তা হ'ল সময়ের মধ্যে সবচেয়ে ভারসাম্যপূর্ণ ... এবং জন দু'টি এবং 5 (যেটির বিরুদ্ধে আপনি প্রতিবাদ করেননি) বের করে দেওয়ার প্রস্তাব দেওয়ার পরে সবচেয়ে খারাপ দুটি বাকী রয়ে গেছে।
অন্য কথায়, আপনার স্বীকৃতিগুলি যা "দুর্দান্ত" দুর্ভাগ্যবশত খারাপ পরীক্ষামূলক নকশার দিকে নিয়ে যায় (আইএমএইচও এটি বেশ সাধারণ; সম্ভবত অর্ডার করা জিনিসগুলি আরও সুন্দর দেখায় - এবং পরীক্ষার সময় লজিক্যাল সিকোয়েন্সগুলি ট্র্যাক করা নিশ্চিত করা সহজ)।

আপনি এলোমেলো স্কিমগুলির সাহায্যে আরও ভাল করতে সক্ষম হতে পারেন তবে আপনি আরও খারাপ করতে সক্ষম। আইএমএইচও, আপনি যদি কোনও অযৌক্তিক স্কিমের জন্য যান তবে আপনি যে বিশেষ নন-এলোমেলো স্কিম ব্যবহার করেন তার জন্য আপনার শারীরিক / রাসায়নিক / জৈবিক / চিকিত্সা / ... যুক্তি দিতে সক্ষম হওয়া উচিত।