পরীক্ষামূলক ডিজাইনে সমস্যাগুলি: মৃত পরীক্ষা-নিরীক্ষা এড়ানো


27

আমি এই উদ্ধৃতিটি বহুবার এসেছি:

কোনও পরীক্ষা শেষ হওয়ার পরে পরিসংখ্যানবিদদের সাথে পরামর্শ করা প্রায়শই কেবল তাকে ময়না তদন্তের জন্য জিজ্ঞাসা করা হয়। তিনি সম্ভবত বলতে পারেন যে পরীক্ষাটি কী কারণে মারা গিয়েছিল। - রোনাল্ড ফিশার (1938)

আমার কাছে এটি সম্ভবত কিছুটা অহংকার বলে মনে হচ্ছে। নিয়ন্ত্রণের অভাব বা দুর্বল নিয়ন্ত্রণের আশেপাশে কেবলমাত্র নিখুঁত উদাহরণগুলিই দেখা যায় যে ভাল ডিজাইন ছাড়া পরীক্ষাগুলি কীভাবে মারা যায়। উদাহরণস্বরূপ, পরীক্ষাগুলি যা সার প্রয়োগের জন্য নিয়ন্ত্রণ করে তবে প্রয়োগের জন্য প্রয়োজনীয় পরিবেশের জন্য নিয়ন্ত্রণ করতে ব্যর্থ হয়। সম্ভবত এটি কেবল আমিই, তবে মনে হয় ফিশারের নকশার নীতিগুলির উইকিপিডিয়া বিভাগের মাধ্যমে একটি দ্রুত পঠনটি বেশিরভাগ ঘাঁটিগুলিকে আবৃত করবে।

একজন পরিসংখ্যানবিদ হিসাবে, আপনি কতবার ডেটা সহ পরীক্ষামূলক-সংক্রান্ত সমস্যার নকশা দেখেন? তারা কি সবসময় ফিশার দ্বারা উল্লিখিত সেই কয়েকটি কারণের সাথে সম্পর্কিত, বা এমন কোনও গুরুতর সমস্যা রয়েছে যার জন্য আমরা অ-পরিসংখ্যানগতভাবে প্রশিক্ষিত বিজ্ঞানীদের খোঁজ করা উচিত?


4
কতবার: খুব প্রায়ই। পরীক্ষাকে "মৃত" বলা সাধারণত সাধারণত খুব বেশি দূরে চলে যায় তবে আমি যে অনেক পরীক্ষাগুলি দেখি তা কেবল ডিজাইনের সামান্য পরিবর্তন সহ আরও ভাল হতে পারত।
999

3
কয়েকটা দেখেছি। যদিও এটি এখন অহঙ্কারী হতে পারে , মনে রাখবেন যে ফিশার যখন এটি বলেছিল, আপনি কেবল উইকিপিডিয়া সন্ধান করতে পারেন নি। প্রথম দিনগুলিতে এই হারটি অনেক বেশি ছিল।
গ্লেন_বি -রিনস্টেট মনিকা

4
আপনি এই পয়েন্টটি উত্থাপন করে যে খুব ভাল। আমি প্রথমবারের মতো চতুর্ভুজ কোয়ালিফায়ারকে কী দেখতে পেয়েছি তা সম্পর্কে আমি কৌতূহল বোধ করি: "আমার কাছে এটি সম্ভবত কিছুটা অহঙ্কারী বলে মনে হচ্ছে।" :-)
রোল্যান্ডো 2

1
@ রোল্যান্ডো 2: হেই, ফিশার ঠিক আছে। তিনি এই সমস্ত
বাছাইপর্ব

5
আমি দেখেছি - আক্ষরিক - আমার কেরিয়ারে হাজার হাজার ডেটাসেট (এবং কার্যত কোনও পরিসংখ্যানবিদ দ্বারা পর্যালোচনা করা নকশা অনুযায়ী তাদের কোনও সংগ্রহ করা হয়নি)। এগুলির বেশিরভাগ নিয়মিত প্রয়োজনীয়তা সন্তুষ্ট করার মতো আনুষ্ঠানিক উদ্দেশ্যে সংগ্রহ করা হয়েছিল। আমি এমন একটিও স্মরণ করতে পারি না যা ডিজাইনের সাথে সম্পর্কিত কিছু সমস্যা ছিল না (যদিও মাঝে মাঝে এগুলি গৌণ ছিল)। এটি ডেটাসেটগুলি অকেজো বা "মৃত" ছিল না বলার অপেক্ষা রাখে না: তবে প্রায় সব ক্ষেত্রেই আমার কাজটি ছিল (চিকিত্সক উপমা চালিয়ে যাওয়া) প্রথমে ডেটাসেটটি পুনরায় চালু করা এবং তারপরে যদি সম্ভব হয় তবে এটি তার উদ্দেশ্যযুক্ত উদ্দেশ্যে প্রয়োগ করা।
whuber

উত্তর:


14

আমি বিশ্বাস করি যে ফিশার তার বিখ্যাত উক্তিটির অর্থ যা বলেছিল "আমরা আমাদের গবেষণার জন্য একটি সম্পূর্ণ ফ্যাক্টরিয়াল ডিজাইন করব" বা অন্য কোনও ডিজাইনের পদ্ধতির বাইরে চলে যায়। পরীক্ষার পরিকল্পনা করার সময় কোনও পরিসংখ্যানবিদদের সাথে পরামর্শ করা মানে গবেষণার উদ্দেশ্য, কোন পরিবর্তনশীল প্রাসঙ্গিক, কীভাবে সেগুলি সংগ্রহ করা যায়, ডেটা ম্যানেজমেন্ট, অসুবিধাগুলি, পরীক্ষাটি কীভাবে চলছে এবং এর অনেকের মধ্যবর্তী মূল্যায়ন সহ গবেষণার উদ্দেশ্য সহ বুদ্ধিমান উপায়ে সমস্যার প্রতিটি বিষয় সম্পর্কে চিন্তাভাবনা করা means আরও অনেক কিছু। প্রায়শই, আমি মনে করি প্রস্তাবিত পরীক্ষার প্রতিটি দিকটি সত্যই বুঝতে অসুবিধাগুলি কোথায় রয়েছে তা বুঝতে hand

আমার অভিজ্ঞতা প্রধানত চিকিত্সা অ্যাপ্লিকেশন থেকে। আমি যে সমস্যার মুখোমুখি হয়েছি তার মধ্যে কিছু আগেই একজন পরিসংখ্যানবিদদের সাথে পরামর্শ করে প্রতিরোধ করা যেতে পারে:

  • অপর্যাপ্ত নমুনার আকার অবশ্যই এই তালিকার এক নম্বর। প্রায়শই, পূর্ববর্তী অধ্যয়নগুলি থেকে ডেটা পাওয়া যেত এবং প্রয়োজনীয় নমুনার আকারের একটি যুক্তিসঙ্গত প্রাক্কলন দেওয়া সহজ হত। এই ক্ষেত্রে, একমাত্র অবলম্বনটি প্রায়শই ডেটাগুলির বিশুদ্ধ বর্ণনামূলক বিশ্লেষণ করা এবং কাগজে আরও গবেষণার প্রতিশ্রুতি দেওয়া (চিকিত্সকরা মূল্যবান সময় বিনিয়োগের পরে প্রকাশনা সাধারণত কোনও বিকল্প নয়)।
  • পরীক্ষাগুলি কার্যকর করা নকশার পরিবর্তে সুবিধার্থে এবং সুযোগের দিকে ছেড়ে যায়। আমি বর্তমানে কাজ করছি এমন একটি উদাহরণ সময়ের সাথে পরিমাপ করা হয়েছে collected পরিমাপের সময়, পরিমাপের ফ্রিকোয়েন্সি এবং পর্যবেক্ষণের সময়সীমা সবই ব্যক্তিদের মধ্যে বন্যভাবে পরিবর্তিত হয়। পৃথকভাবে পরিমাপের সংখ্যা বাড়ানো এবং পরিমাপের তারিখগুলি নির্ধারণ এবং পর্যবেক্ষণের সময়সীমা নির্ধারণ করা মোটামুটি অতিরিক্ত কাজ হত (এই ক্ষেত্রে) এবং অধ্যয়নের পক্ষে খুব উপকারী হত।
  • সহজেই নিয়ন্ত্রণ করা যেত উপদ্রব কারণগুলির দরিদ্র নিয়ন্ত্রণ। উদাহরণস্বরূপ নমুনা সংগ্রহের দিনে উদাহরণস্বরূপ পরিমাপ করা হত এবং কখনও কখনও পরে, নমুনার অবনতি হওয়ার সম্ভাবনা রেখে।
  • আমার ব্যক্তিগত প্রিয় সহ "ডেটা কম্পিউটারে রাখার আগে আমি এটি গোল করেছিলাম, সহ দরিদ্র ডেটা ম্যানেজমেন্ট, কারণ মেশিনটি তার পরিমাপে সঠিক নয়"। প্রায়শই প্রাসঙ্গিক ডেটা সংগ্রহ করা হয় না এবং সত্যতার পরে এটি পাওয়া অসম্ভব।

প্রায়শই, গবেষণার সমস্যাগুলি আরও পিছনে ফিরে যায়, গবেষণার প্রাথমিক ধারণাটিতে:

  • কখনও কখনও পরিষ্কার উদ্দেশ্য এবং ডেটা সংগ্রহ করা হয় যে এটি কোনওভাবে কার্যকর হবে। অনুমান এবং "উল্লেখযোগ্য ফলাফল" উত্পাদনের পরিসংখ্যানবিদদের কাছে রেখে দেওয়া হয়েছে।
  • এবং বিপরীত: পিআইয়ের মাথার মধ্যে একটি নির্দিষ্ট পয়েন্ট প্রমাণ করার লক্ষ্যে ডেটা একসাথে স্ক্র্যাপ করা হয়, নির্বিশেষে ডেটা নির্বিশেষে এবং এর মাধ্যমে কী প্রমাণিত হতে পারে। এবার, পরিসংখ্যানবিদরা কেবলমাত্র তাত্ক্ষণিকভাবে তার তাত্পর্যকে আগে থেকেই লিখিত সিদ্ধান্তে উপস্থাপন করবেন বলে সিদ্ধান্তের উপাত্তগুলির সাথে সামঞ্জস্য না করে।

এখনও অবধি, এটি প্রধানত শোনাচ্ছে যেমন পরিসংখ্যানবিদরা ভুগছেন এবং সম্ভবত পিআই যখন ডেটা (সর্বদা একটি মজাদার আলোচনা) দ্বারা সমর্থিত সিদ্ধান্তে চাপ দেওয়ার চেষ্টা করেন না তখন বৈজ্ঞানিক অখণ্ডতা ভুগতে পারে। তবে পরীক্ষামূলক দলটিও ভুগছে, কারণ তারা পরীক্ষামূলক পর্যায়ে অপ্রয়োজনীয় অতিরিক্ত কাজ (প্রয়োজনীয় কাজ না করার সময়) করেন এবং সত্যতার পরে তাদের পরিসংখ্যানবিদদের সাথে আলোচনায় আরও অনেক বেশি সময় ব্যয় করতে হবে, কারণ তারা এর আগে তাদের পরামর্শ পাননি। এবং অবশ্যই, চূড়ান্ত কাগজটি আরও খারাপ হবে, কম সিদ্ধান্তে (এবং আরও "অনুমান") হবে এবং সম্ভবত এটি পিআই চেয়েছিল যে উচ্চ-প্রভাব জার্নালে পরিণত করতে পারে না।


বুলেট পয়েন্টগুলির আপনার দ্বিতীয় সেটের দ্বিতীয়টি সম্পর্কে, আমি মনে করি একটি অধ্যয়নের সাধারণ যুক্তিটি নির্দিষ্ট পয়েন্টগুলি প্রমাণ করার লক্ষ্যে ডেটা সংগ্রহ করা।
রবার্ট জোনস

1
আপনি অবশ্যই পুরোপুরি ঠিক। আমি সেখানে কিছুটা ছোট ছিলাম। আমি যে কথাটি উল্লেখ করতে চাইছিলাম সেটি এমন এক দৃশ্যের মধ্যে যেখানে একজন পিআই খুব সহজেই একটি বিন্দু প্রমাণের জন্য দৃ determined় প্রতিজ্ঞ এবং দুর্বল মানের ডেটা যা সেই বিন্দুটি প্রমাণ করতে পারে না (প্রায়শই মৌলিক নকশার কারণে) একত্রিত হয়।
রব হল

12

দুটি শব্দ: নমুনা আকার ... একটি শক্তি বিশ্লেষণ করা আবশ্যক। আসার সময় থেকে আপনার দলের একজন দক্ষ পরিসংখ্যানবিদকে অন্তর্ভুক্ত করে, আপনি নিজের পান্ডুলিপি বা রিপোর্টের ফলাফল এবং আলোচনার বিভাগগুলি লেখার সময় আপনি নিজেকে সম্ভবত হতাশার হাত থেকে বাঁচাতে পারবেন।

মূল তদন্তকারীর পক্ষে 30 বছরেরও কম বিষয়ের নমুনা থেকে "ভবিষ্যদ্বাণীমূলক মডেল" বা "কার্যকারণ সম্পর্ক" প্রত্যাশা নিয়ে কোনও পরিসংখ্যানবিদদের সাথে পরামর্শের আগে ডেটা সংগ্রহ করা খুব সাধারণ বিষয়। তথ্য সংগ্রহের আগে পিআই যদি কোনও পরিসংখ্যানবিদদের সাথে পরামর্শ করেছিলেন, তবে স্ট্যাটিস্টিস্টিয়ান পিআইকে উপযুক্ত বিশ্লেষণের পরে আরও তথ্য / বিষয় সংগ্রহ করতে বা তাদের বিশ্লেষণ পরিকল্পনা / প্রকল্পের লক্ষ্যগুলি পুনর্গঠন করতে সক্ষম হতে পারতেন।


1
"একটি শক্তি বিশ্লেষণ একটি আবশ্যক" এর সাথে আমি একমত নই। আমি মনে করি প্রচুর লোক শক্তি বিশ্লেষণের গুরুত্বকে অতিরঞ্জিত করে।
999

3
@ চিহ্ন 999: হতে পারে, তবে এটি পরীক্ষা করার আগে কোনও ধরণের শক্তি বিশ্লেষণ করার গুরুত্বকে অস্বীকার করে না , যা আমি ম্যাটের বিষয় হিসাবে বুঝতে পারি।
স্কোর্টচি - মনিকা পুনরায় ইনস্টল করুন

3
@ চিহ্ন 999: তারা অবশ্যই কার্যকর হতে পারে। তবে কোন পরিস্থিতিতে আপনি কোনও পরীক্ষা করার আগে কোনও ধরণের শক্তি বিশ্লেষণ (আমি আত্মবিশ্বাসের অন্তরগুলির প্রত্যাশিত প্রস্থের অনুমান সহ) সম্পাদন করার পরামর্শ দেব না? আমি কেবলমাত্র (1) একটি পাইলট স্টাডি সম্পর্কে ভাবতে পারি, যেখানে আপনি কেবল প্রোটোকলটি দিয়ে চালাতে আগ্রহী এবং প্রায়শই ত্রুটিটি অনুমান করার জন্য, এবং (2) এমন একটি পরীক্ষা যা আপনি কোনও কারণে নমুনা আকার বেছে নিতে পারবেন না, তৈরি করে শক্তি বিশ্লেষণ অনর্থক।
স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

2
@ চিহ্ন 999: আমি মনে করি আমরা করি। আপনার কেস (বি) এর জন্য, আমি হাইপোথেসিসগুলি পরীক্ষা করতে পরীক্ষার অধ্যয়ন -> শক্তি বিশ্লেষণ -> অদম্য পরিকল্পনার হিসাবে প্রভাব আকারগুলি অনুমান করার পরামর্শ দিচ্ছি ।
স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

3
আপনার যদি একটি নির্দিষ্ট নমুনা আকার থাকে তবে আমি আপনার মাথাটি বালিতে কবর দেওয়ার এবং পাওয়ার বিশ্লেষণ এড়াতে কোনও কারণ দেখি না (সংস্থান এবং অজ্ঞতার পক্ষে যুক্তিসঙ্গত প্রতিক্রিয়া) aside
অ্যান্ডি ডাব্লু

11

আমি মনে করি এটি "নকশা" শব্দটি আপনি কতটা কঠোরভাবে ব্যাখ্যা করেছেন তার উপর নির্ভর করে। কখনও কখনও এটি সম্পূর্ণরূপে র্যান্ডমাইজড বনাম র্যান্ডমাইজড ব্লক ইত্যাদির অর্থ গ্রহণ করা হয় I এছাড়াও, অন্যরা যেমন বলেছে, আমি সন্দেহ করি "মারা গেছি" খুব শক্তিশালী, তবে আপনি কীভাবে শব্দটি ব্যাখ্যা করেন তার উপর এটি নির্ভর করে। অবশ্যই আমি এমন গবেষণাগুলি দেখেছি যা 'অ-তাৎপর্যপূর্ণ' ছিল (এবং গবেষকরা ফলস্বরূপ প্রকাশের চেষ্টা করেননি); এই অধ্যয়নগুলি পৃথকভাবে পরিচালিত করা হলে 'গুরুত্বপূর্ণ' হতে পারে (এই ধারণাটি যে আমি দিতাম) যেহেতু প্রকাশিত হয়েছিল, সম্ভবত "মৃত" হিসাবে যোগ্য হতে পারে the এই ধারণার আলোকে, @ রোবহাল এবং @ ম্যাটরিচেনবাচ উভয়ের দ্বারা উত্থাপিত পাওয়ার ইস্যুটি বেশ সোজা for তবে নমুনা আকারের চেয়ে পাওয়ার আরও অনেক বেশি, এবং সেগুলি "নকশা" এর স্বল্প ধারণার অধীনে আসতে পারে। এখানে উদাহরণ তুলে ধরা হলো:

  • সংগৃহীত / রেকর্ডিং / বা তথ্য নিক্ষেপ না করে
    আমি এমন একটি গবেষণায় কাজ করেছি যেখানে গবেষকরা বিশেষ বৈশিষ্ট্য ক্যান্সারের সাথে সম্পর্কিত কিনা তা সম্পর্কে আগ্রহী ছিলেন। তারা দুটি লাইন থেকে ইঁদুর পেয়েছিল (যেমন, জেনেটিক লাইন, ইঁদুরগুলি নির্দিষ্ট বৈশিষ্ট্যের জন্য বংশবৃদ্ধি করেছিল) যেখানে এক লাইনের অপরটির চেয়ে আরও বেশি বৈশিষ্ট্যের প্রত্যাশা ছিল। যাইহোক, প্রশ্নের মধ্যে থাকা বৈশিষ্ট্যটি আসলে মাপা যায়নি, যদিও এটি হতে পারে। এই পরিস্থিতিটি অবিচ্ছিন্ন ভেরিয়েবলটি ডিকোটমাইজিং বা বিন্ন করার অনুরূপ, যা শক্তি হ্রাস করে। তবে, ফলাফলগুলি 'তাৎপর্যপূর্ণ' হলেও, আমরা প্রতিটি মাউসের জন্য বৈশিষ্ট্যের মাত্রাটি জানতাম কিনা সে তুলনায় তারা কম তথ্যবহুল হবে।

    এই একই শিরোনামের মধ্যে অন্য একটি মামলা হ'ল সুস্পষ্ট covariates সম্পর্কে চিন্তা করা এবং সংগ্রহ করা নয়।

  • দুর্বল প্রশ্নপত্র নকশা
    আমি সম্প্রতি একটি সমীক্ষায় কাজ করেছি যেখানে রোগীর সন্তুষ্টি জরিপটি দুটি শর্তে পরিচালিত হয়েছিল। তবে কোনও আইটেমই রিভার্স স্কোর হয়নি। এটি উপস্থিত হয়েছিল যে বেশিরভাগ রোগীরা কেবল তালিকাটি নীচে গিয়ে সমস্ত 5 টি ( দৃ strongly়ভাবে সম্মত ) হিসাবে চিহ্নিত করেছেন , সম্ভবত এমনকি আইটেমগুলি না পড়েও। কিছু অন্যান্য সমস্যা ছিল, তবে এটি বেশ সুস্পষ্ট। অদ্ভুতভাবে, অধ্যয়ন পরিচালনার দায়িত্বে থাকা সহকর্মী আমাকে বলেছিলেন যে তাঁর উপস্থিতি তাকে স্পষ্টভাবে উত্সাহ দিয়েছিল যে আমরা এই ধরনের পরামর্শের জন্য নিখরচায় ও সহজলভ্য থাকা সত্ত্বেও প্রথমে কোনও পরিসংখ্যানবিদদের সাথে গবেষণা অধ্যয়নের বিষয়ে পরীক্ষা না করা।


দাঁড়ান ... প্রথম এক সঙ্গে, কি হয়নি তারা পরিমাপ? এটি সামান্য মনে হয়, হুম, স্পষ্ট। নাকি তাদের আগেই আশ্বাস দেওয়া হয়েছিল যে বৈশিষ্ট্যগুলি বিভিন্ন লাইনে আলাদা ছিল? দ্বিতীয় উদাহরণটি দুর্দান্ত, এক ধরণের র্যান্ডমাইজেশন যা প্রায়শই লোকেরা ভাবেন না।
nnot101

5
এটি কেবল 1 টি স্ট্রেন বনাম অন্যটির পরীক্ষা করছিল। প্রশ্নের মধ্যে থাকা বৈশিষ্ট্যটি সত্যই লাইনগুলির একটিতে উচ্চতর হতে থাকে তবে কিছু ওভারল্যাপ থাকে - বিতরণগুলি সম্পূর্ণ আলাদা হয় না।
গুং - মনিকা পুনরায়

পয়েন্ট 1 তে আমার একইরকম অভিজ্ঞতা ছিল: একটি নির্দিষ্ট নির্দিষ্ট ধরণের কক্ষের জন্য একটি মাইক্রোফ্লুয়েডিক ডিভাইস সেট আপ করা হয়েছিল। কক্ষ-থেকে-স্বীকৃত এবং নিয়ন্ত্রণ কক্ষগুলির মিশ্রণ ইনজেকশনের ব্যবস্থা করা হয়েছিল এবং স্বীকৃতিটির জন্য ব্যবহৃত একটি ভিডিও স্ট্রিম + সিগন্যাল স্ট্রিম অর্জন করা হয়েছিল। দুর্ভাগ্যক্রমে, যখন ভিডিও স্ট্রিমটি একটি নির্দিষ্ট মুহুর্তে ডিটেক্টরটিতে কোনও সেল ছিল কিনা তা রেফারেন্স হিসাবে ব্যবহার করা যেতে পারে, সেলটি আসলে কী ধরণের তা বলার উপায় ছিল না, সুতরাং সিগন্যালটি সত্য পজিটিভ কিনা তা নির্ধারণের কোনও উপায় ছিল না মিথ্যা নেতিবাচক বা কোনও সংকেত ছিল সত্য negative
ণাত্মক

8

আমি সমীক্ষার মতো এবং মনস্তাত্ত্বিক পরীক্ষায় এই ধরণের সমস্যা দেখেছি।

একটি ক্ষেত্রে, পুরো পরীক্ষাটি একটি শেখার অভিজ্ঞতা পর্যন্ত চালিয়ে যেতে হয়েছিল। একাধিক স্তরে সমস্যা ছিল যার ফলস্বরূপ বিড়বিড় হয়েছে, তবে এমন ফলাফল যা অনুমানের জন্য কিছুটা সমর্থন দিয়েছে বলে মনে হয়েছে। শেষ পর্যন্ত, আমি আরও কঠোর পরীক্ষার পরিকল্পনা করতে সহায়তা করতে সক্ষম হয়েছি, যার মূলত অনুমানকে প্রত্যাখ্যান করার যথেষ্ট ক্ষমতা ছিল।

অন্য ক্ষেত্রে, আমাকে ইতিমধ্যে নকশা করা এবং কার্যকর করা হয়েছিল এমন একটি সমীক্ষা হস্তান্তর করা হয়েছিল এবং একাধিক সমস্যা ছিল যার ফলে বেশ কয়েকটি আগ্রহের ক্ষেত্রগুলি প্রভাবিত হয়েছিল। একটি মূল ক্ষেত্রে, উদাহরণস্বরূপ, তারা জিজ্ঞাসা করেছিল যে তারা যখন পৌঁছেছিল তখন গ্রাহকরা ইভেন্টটি পূর্ণ হওয়ার কারণে এটি কোনও ইভেন্ট থেকে কতবার মুখ ফিরিয়ে নিয়েছিল। সমস্যাটি হ'ল প্রশ্নটির কোনও সময়সীমা নেই তাই আপনি 4 বার উপস্থিত থাকার চেষ্টা করেছেন এমন ব্যক্তির মধ্যে পার্থক্য বলতে পারবেন না এবং 4 বার মুখ ফিরিয়েছেন এবং 40 বার উপস্থিত থাকার চেষ্টা করেছেন এমন ব্যক্তির মধ্যে এবং কেবল 4 বার দূরে সরিয়েছেন ।

আমি কোনও প্রশিক্ষিত, মূলধন-সংক্রান্ত পরিসংখ্যানবিদ নই, তবে তারা যদি আগেই আমার কাছে আসত তবে আমি তাদের এই সমস্যাগুলি সমাধান করতে এবং আরও ভাল ফলাফল পেতে সহায়তা করতে পারতাম। প্রথম ক্ষেত্রে, এটি এখনও হতাশ হয়ে উঠত, "দুঃখিত, আপনার অনুমানটি অত্যন্ত সম্ভাবনাময় বলে মনে হচ্ছে", তবে এটি তাদের দ্বিতীয় পরীক্ষা বাঁচাতে পারত। দ্বিতীয় ক্ষেত্রে, এটি তাদের কয়েকটি গুরুত্বপূর্ণ প্রশ্নের উত্তর দিত এবং ফলাফলগুলি আরও তীক্ষ্ণ করে তুলত। (তাদের আরেকটি সমস্যা ছিল যে তারা সময়ের সাথে সাথে একাধিক অবস্থানের জরিপ করেছে এবং কমপক্ষে কিছু লোককে এভাবে একাধিকবার সমীক্ষা করা হয়েছিল, "আপনি কি এই জরিপটি অন্য কোথাও নিয়ে গেছেন?") এর মতো কোনও প্রশ্নই নেই।

সম্ভবত প্রতি পরিসংখ্যানগত সমস্যা নয়, তবে এই উভয় ক্ষেত্রেই স্মার্ট, সুশিক্ষিত ডোমেন বিশেষজ্ঞরা এমন যন্ত্রপাতি তৈরি করেছেন যা ত্রুটিযুক্ত ছিল এবং ফলাফলগুলি ছিল একটি মৃত পরীক্ষা এবং অঙ্গ প্রত্যঙ্গ নিয়ে একটি পরীক্ষা।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.