- प्रकाशन
- अद्यतन
अनुपलब्ध डेटा की विधि चुनना सॉफ़्टवेयर का विकल्प चुनने से अधिक है। अनुपस्थिति के कारण, पिछले मापन और उपचार इतिहास यह आकलन करने में मदद करते हैं कि विश्लेषण की मान्यताएँ उस विशिष्ट परीक्षण की परिस्थिति में यथार्थपरक हैं या नहीं।
प्रश्न और मान्यताएँ परिभाषित करें
समय, उपचार समूह और ज्ञात कारण के अनुसार पैटर्न जाँचें। देखी गई जानकारी से समझाई जा सकने वाली अनुपलब्धता, ऐसी अनुपलब्धता से अलग है जो न देखे गए परिणाम पर भी निर्भर करती है। डेटा हर मान्यता सत्यापित नहीं कर सकता; नैदानिक सहकर्मियों को समझना चाहिए कि किन परिस्थितियों में चुना गया सांख्यिकीय तरीका अपनी इच्छित व्याख्या का समर्थन करता है।
काल्पनिक अध्ययन का उदाहरण
एक काल्पनिक अध्ययन में लक्षण बिगड़ने की जानकारी देने वाले प्रतिभागी अगली प्रश्नावली अधिक बार छोड़ देते हैं। टीम पहले के मापनों और दर्ज कारणों की समीक्षा करती है। वह परिणामी अनुमान के लिए अनुपलब्धता का कम समग्र प्रतिशत पर्याप्त आश्वासन मानने के बजाय न देखे गए परिणाम पर संभावित निर्भरता पर विचार करती है।
डिज़ाइन समीक्षा के जाँच बिंदु
- अनुपलब्धता का वर्णन एक समग्र प्रतिशत के बजाय पैटर्न और कारणों से करें।
- पुष्टि करें कि मान्यता का समर्थन करने वाले देखे गए चर वास्तव में विश्वसनीय ढंग से एकत्र किए गए थे।
- मुख्य मान्यता से अर्थपूर्ण विचलनों को दर्शाने वाले संवेदनशीलता आकलनों की योजना बनाएँ।
निर्णय और उसकी सीमाएँ दर्ज करें
स्वीकृत योजना गणितीय शब्दावली को नैदानिक परिदृश्यों से जोड़ती है। अनुपलब्धता के कारण स्वयं अधूरे या अविश्वसनीय हों, तो अनिश्चितता रिपोर्ट करें। मॉडल का सफलतापूर्वक चलना उसकी मान्यताओं के सही होने का प्रमाण नहीं है। हर विकल्प विशेष रूप से पसंदीदा प्राथमिक निष्कर्ष बनाए रखने के लिए चुनने के बजाय स्पष्ट करें कि यथार्थपरक विकल्पों में निष्कर्ष कैसे बदलते हैं।
अक्सर पूछे जाने वाले प्रश्न
- क्या थोड़ी मात्रा में अनुपलब्ध डेटा हमेशा महत्त्वहीन होता है?
- नहीं। कारण और समूहों के बीच वितरण उसका प्रभाव बदल सकते हैं।
- क्या डेटासेट से मान्यता सिद्ध की जा सकती है?
- आमतौर पर पूरी तरह नहीं; नैदानिक औचित्य और संवेदनशीलता आकलन आवश्यक बने रहते हैं।