ফারাক-ইন-ডিফারেন্সের (ডিআইডি) একটি মূল ধারনা হ'ল চিকিত্সার আগে উভয় গ্রুপের ফলাফলের পরিবর্তনশীল ক্ষেত্রে একটি প্রচলিত প্রবণতা রয়েছে। এই যুক্তিটি তৈরি করার জন্য এটি গুরুত্বপূর্ণ যে চিকিত্সা করা গোষ্ঠীর জন্য পরিবর্তনটি চিকিত্সার কারণেই নয়, কারণ দুটি গ্রুপ ইতিমধ্যে একে অপরের থেকে শুরু করে আলাদা ছিল।
আপনি যদি চিকিত্সার আগে এবং পরে বিভিন্ন লোককে নমুনা দেন তবে চিকিত্সা এবং নিয়ন্ত্রণ গোষ্ঠীগুলির থেকে আপনার নমুনাগুলি এলোমেলো এবং বড় না হওয়া পর্যন্ত এটি যুক্তিটিকে দুর্বল করে দেবে। সুতরাং এটি ভালভাবে হতে পারে যে কেউ আপনাকে জিজ্ঞাসা করছে: "আপনি কীভাবে নিশ্চিত করতে পারেন যে প্রভাবটি চিকিত্সার কারণে হয়েছে এবং আপনি বিভিন্ন ব্যক্তির নমুনা তৈরি করার কারণে নয়?" - এবং এটি উত্তর দেওয়া কঠিন হবে। এই প্রশ্নটি আপনি প্যানেল ডেটা ব্যবহার করে এড়াতে পারবেন কারণ সেখানে আপনি সময়ের সাথে একই পরিসংখ্যান ইউনিট ট্র্যাক করেন এবং সাধারণত এটিই আরও দৃ approach় পদ্ধতির।
আপনার শেষ প্রশ্নের উত্তর দেওয়ার জন্য: হ্যাঁ ডেটাটি গুরুত্বপূর্ণ তবে আপনি অবশ্যই আপনার ওপরের সমীকরণটি অনুমান করতে ওএলএস ব্যবহার করতে পারেন। অতীতে একটি গুরুত্বপূর্ণ বিষয় যা প্রায়শই উপেক্ষা করা হত সেটি হ'ল মান ত্রুটির সঠিক অনুমান। আপনি যদি এগুলি সংশোধন না করেন, সিরিয়াল সম্পর্কগুলি তাদের ভাল পরিমাণে অবমূল্যায়ন করবে এবং আপনি সম্ভবত না করা সত্ত্বেও আপনি উল্লেখযোগ্য প্রভাবগুলি পেয়ে যাবেন। এই সমস্যাটি কীভাবে মোকাবেলা করতে হয় তার জন্য একটি রেফারেন্স এবং পরামর্শ হিসাবে বার্ট্র্যান্ড এট দেখুন । (2004) "পার্থক্য-পার্থক্যের প্রাক্কলন অনুসারে আমাদের কতটা বিশ্বাস করা উচিত?" ।
শেষ কথা হিসাবে, আপনার যদি সামগ্রিক ডেটা থাকে (যেমন রাজ্য স্তরে) বা আপনি সহজেই আপনার নিজের সংগ্রহ করতে পারেন এবং আপনি যদি ডিআইডি-র চেয়ে আরও সাম্প্রতিকতম একনোমেট্রিক পদ্ধতি ব্যবহার করতে চান তবে আপনি অ্যাবাদি এট আল এ একবার দেখতে চান । (2010) "তুলনামূলক কেস স্টাডিজ জন্য কৃত্রিম নিয়ন্ত্রণ পদ্ধতি" । সিন্থেটিক নিয়ন্ত্রণ পদ্ধতিটি আজকাল গবেষণায় ক্রমবর্ধমানভাবে ব্যবহৃত হয় এবং আর এবং স্টাতার জন্য এখানে ডকুমেন্টেড রুটিনগুলি রয়েছে। এটি আপনার পক্ষেও আকর্ষণীয় কিছু হতে পারে।