प्रॉम्प्ट और संदर्भ
आप किसी घटना (जैसे रद्दीकरण, पुनरावृत्ति या मशीन विफलता) तक के समय का विश्लेषण कर रहे हैं। अवलोकन कटऑफ पर भी सक्रिय रहने वाले उपयोगकर्ताओं के लिए, घटना का सटीक समय अज्ञात होता है; उनका रिकॉर्ड राइट-सेंसर्ड (right-censored) होता है, न कि शून्य या विफलता।
इंटरव्यूअर क्या जांचता है
- प्रेक्षित समय (observed time) और इवेंट इंडिकेटर को सही ढंग से दर्शाना।
- Kaplan–Meier रिस्क सेट्स को समझाना और यह स्पष्ट करना कि सेंसरिंग किसी विषय को केवल उसके सेंसर समय के बाद ही क्यों हटाती है।
- यह जानना कि Cox प्रोपोर्शनल-हज़ार्ड्स मॉडल या कंपीटिंग-रिस्क विश्लेषण कब उपयुक्त होता है।
उत्तर देने से पहले स्पष्ट करने वाले प्रश्न
- इवेंट, समय की शुरुआत (time origin) और प्रशासनिक अवलोकन कटऑफ क्या है?
- क्या प्रेक्षित कोवेरिएट्स के बाद सेंसरिंग भविष्य के इवेंट समय से स्वतंत्र मानी जा सकती है?
- क्या अपग्रेड या मृत्यु जैसी कोई प्रतिस्पर्धी घटनाएं (competing events) हैं, जो रद्दीकरण को रोकती हैं?
- क्या लक्ष्य विवरणात्मक (descriptive) रिटेंशन है, कोहोर्ट तुलना है, या कोई कारणात्मक उपचार प्रभाव (causal treatment effect) है?
30-सेकंड उत्तर रूपरेखा
मैं duration और एक event फ्लैग स्टोर करूँगा, राइट-सेंसर्ड उपयोगकर्ताओं को उनके अंतिम प्रेक्षित समय तक रिस्क सेट में रखूँगा, और एक Kaplan–Meier सर्वाइवल कर्व का अनुमान लगाऊँगा। मैं पूर्व-निर्धारित एस्टीमैंड और कॉन्फिडेंस इंटरवल्स के साथ कर्व्स की तुलना करूँगा, फिर प्रोपोर्शनल-हज़ार्ड्स मान्यताओं की जाँच के बाद ही Cox मॉडल का उपयोग करूँगा। यदि प्रतिस्पर्धी घटनाएं "सर्वाइवल" के अर्थ को बदल देती हैं, तो मैं प्रतिस्पर्धी घटना को चुपचाप सेंसर करने के बजाय कॉज़-स्पेसिफिक या क्यूमुलेटिव-इंसिडेंस विश्लेषण की रिपोर्ट करूँगा।
चरण-दर-चरण गहन विश्लेषण
1. अवलोकन को एन्कोड करें
प्रत्येक विषय के लिए, एक सामान्य मूल बिंदु से या तो इवेंट तक या अंतिम ज्ञात फॉलो-अप तक का समय रिकॉर्ड करें, साथ ही केवल तभी event = 1 रिकॉर्ड करें जब इवेंट हुआ हो। 30वें दिन सक्रिय रहने वाला उपयोगकर्ता 30वें दिन तक जानकारी का योगदान देता है और वहीं सेंसर हो जाता है; रिकॉर्ड 30वें दिन के बाद रद्दीकरण का दावा नहीं करता है।
2. Kaplan–Meier अनुमान तैयार करें
प्रत्येक इवेंट समय पर, उस समय से ठीक पहले रिस्क में मौजूद संख्या से विभाजित इवेंट्स को एक से घटाकर सर्वाइविंग अंश की गणना करें। स्टेपवाइज़ सर्वाइवल अनुमान प्राप्त करने के लिए उन सशर्त अंशों को गुणा करें। सेंसर्ड अवलोकन बाद के रिस्क-सेट सदस्यता को बदलते हैं लेकिन इवेंट स्टेप्स नहीं बनाते हैं। NIST पूर्ण और सेंसर्ड नमूनों के लिए इस प्रोडक्ट-लिमिट प्रक्रिया का वर्णन करता है।
3. सेंसरिंग की मान्यता बताएं
राइट-सेंसिंग तब जानकारीपूर्ण (informative) होती है जब गायब होने वाले उपयोगकर्ताओं का भविष्य का जोखिम व्यवस्थित रूप से भिन्न होता है। Kaplan–Meier तब उचित होता है जब विश्लेषण मान्यताओं के तहत सेंसरिंग इवेंट के समय से स्वतंत्र हो, संभवतः मापे गए कोवेरिएट्स पर सशर्त। कोहोर्ट और समय के अनुसार सेंसरिंग दरों और कारणों की तुलना करें; जब धारणा संदिग्ध हो तो इन्वर्स-प्रोबेबिलिटी-ऑफ-सेंसिंग वेट्स या संवेदनशीलता परिदृश्यों का उपयोग करें।
4. कोहोर्ट्स की सावधानीपूर्वक तुलना करें
30 या 90 दिनों पर सर्वाइवल, रेस्ट्रिक्टेड मीन सर्वाइवल टाइम, या केवल तभी माध्यिका (median) जैसे पूर्व-निर्धारित क्षितिज (horizon) का उपयोग करें जब कर्व 0.5 तक पहुँच जाए। एक लॉग-रैंक टेस्ट कर्व्स के बीच व्यापक अंतर पर जोर देता है और हज़ार्ड्स के क्रॉस होने पर भ्रामक हो सकता है। केवल p-वैल्यू रिपोर्ट करने के बजाय रिस्क में संख्याएं, कॉन्फिडेंस बैंड और पूर्ण अंतर दिखाएं।
5. Cox रिग्रेशन के साथ कोवेरिएट्स जोड़ें
Cox मॉडल प्रोपोर्शनल-हज़ार्ड्स धारणा के तहत एक हज़ार्ड रेशियो का अनुमान लगाता है। समय-परिवर्तनशील प्रभावों और रेजिड्यूअल डायग्नोस्टिक्स की जाँच करें; एक एकल हज़ार्ड रेशियो सर्वाइवल प्रोबेबिलिटी में निरंतर अंतर नहीं होता है। यदि प्रोपोर्शनल हज़ार्ड्स विफल हो जाते हैं, तो टाइम इंटरैक्शन, स्ट्रैटिफिकेशन, एक्सेलरेटेड-फेलियर-टाइम मॉडल का उपयोग करें, या क्षितिज-विशिष्ट प्रभावों की रिपोर्ट करें।
उच्च गुणवत्ता वाला नमूना उत्तर
“मैं मॉडलिंग से पहले रद्दीकरण, मूल बिंदु, कटऑफ और इवेंट फ्लैग को परिभाषित करूँगा। सक्रिय उपयोगकर्ता अपने अंतिम अवलोकन पर राइट-सेंसर्ड होते हैं, इसलिए वे तब तक प्रत्येक रिस्क सेट में बने रहते हैं। मैं रिस्क में संख्याओं और कॉन्फिडेंस इंटरवल्स के साथ Kaplan–Meier कर्व्स प्लॉट करूँगा, 30- और 90-दिन के सर्वाइवल या रेस्ट्रिक्टेड मीन सर्वाइवल टाइम की रिपोर्ट करूँगा, और जाँच करूँगा कि क्या कोहोर्ट के अनुसार सेंसरिंग भिन्न है। मैं प्रोपोर्शनल हज़ार्ड्स की जाँच के बाद ही Cox रिग्रेशन का उपयोग करूँगा। यदि अपग्रेड रद्दीकरण को रोकता है, तो मैं इसे एक प्रतिस्पर्धी घटना के रूप में मानूँगा और इसे केवल फॉलो-अप समाप्त होने की तरह सेंसर करने के बजाय क्यूमुलेटिव इंसिडेंस की रिपोर्ट करूँगा।”
सामान्य गलतियाँ
- प्रत्येक सक्रिय उपयोगकर्ता को विफलता के रूप में चिह्नित करना → रिटेंशन नीचे की ओर पक्षपाती (biased downward) हो जाता है → एक इवेंट इंडिकेटर का उपयोग करें और अंतिम फॉलो-अप पर राइट-सेंसर करें।
- सेंसर्ड उपयोगकर्ताओं को हटाना → रिस्क सेट्स चयन-पक्षपाती (selection-biased) हो जाते हैं → सेंसरिंग तक उनके प्रेक्षित योगदान को बनाए रखें।
- ऐसी माध्यिका की रिपोर्ट करना जहां तक कर्व कभी नहीं पहुंचता → सांख्यिकी अपरिभाषित हो जाती है → एक निश्चित-क्षितिज अनुमान या रेस्ट्रिक्टेड मीन सर्वाइवल टाइम का उपयोग करें।
- Cox हज़ार्ड रेशियो को प्रोबेबिलिटी रेशियो के रूप में व्याख्या करना → हज़ार्ड्स और सर्वाइवल प्रोबेबिलिटी भिन्न होती हैं → ठोस क्षितिजों पर प्रभावों का अनुवाद करें।
फॉलो-अप प्रश्न और उत्तर
एक सेंसर्ड उपयोगकर्ता क्या योगदान देता है?
उपयोगकर्ता पर्सन-टाइम (person-time) का योगदान देता है और सेंसरिंग समय तक रिस्क में बना रहता है। उस समय के बाद, विश्लेषण में इस बात की कोई प्रेक्षित जानकारी नहीं होती है कि घटना घटी होगी या नहीं।
किसी प्रतिस्पर्धी घटना को कब सेंसर नहीं किया जाना चाहिए?
यदि कोई अपग्रेड स्थायी रूप से रद्दीकरण को रोकता है, तो अपग्रेड को सेंसर करने से रद्दीकरण की संभावना बढ़-चढ़कर दिख सकती है। एटियोलॉजिक प्रश्नों के लिए कॉज़-स्पेसिफिक हज़ार्ड्स और प्रत्येक प्रेक्षित घटना की संभावना के लिए क्यूमुलेटिव-इंसिडेंस फ़ंक्शंस का उपयोग करें।
यदि हज़ार्ड्स क्रॉस करते हैं तो क्या होगा?
एक लॉग-रैंक टेस्ट और एक प्रोपोर्शनल-हज़ार्ड्स रेशियो पैटर्न को अस्पष्ट कर सकते हैं। कर्व्स प्लॉट करें, रेस्ट्रिक्टेड मीन सर्वाइवल टाइम या क्षितिज-विशिष्ट अंतरों की रिपोर्ट करें, और समय-परिवर्तनशील प्रभावों को मॉडल करें।