ਸਾਨੂੰ ਗੈਰ-ਹੀਣਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਦੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?

ਸਟੀਚ ਫਿਕਸ ਟੀਮ ਦਾ ਇੱਕ ਲੇਖ ਮਾਰਕੀਟਿੰਗ ਅਤੇ ਉਤਪਾਦ A/B ਟੈਸਟਾਂ ਵਿੱਚ ਗੈਰ-ਹੀਣਤਾ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੀ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਅਸਲ ਵਿੱਚ ਉਦੋਂ ਲਾਗੂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਨਵੇਂ ਹੱਲ ਦੀ ਜਾਂਚ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਲਾਭ ਹੁੰਦੇ ਹਨ ਜੋ ਟੈਸਟਾਂ ਦੁਆਰਾ ਨਹੀਂ ਮਾਪੇ ਜਾਂਦੇ ਹਨ।

ਸਭ ਤੋਂ ਸਰਲ ਉਦਾਹਰਣ ਲਾਗਤ ਵਿੱਚ ਕਮੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਪਹਿਲੇ ਪਾਠ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਦੇ ਹਾਂ, ਪਰ ਅਸੀਂ ਅੰਤ-ਤੋਂ-ਅੰਤ ਰੂਪਾਂਤਰਨ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘਟਾਉਣਾ ਨਹੀਂ ਚਾਹੁੰਦੇ ਹਾਂ। ਜਾਂ ਅਸੀਂ ਉਹਨਾਂ ਤਬਦੀਲੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਇੱਕ ਹਿੱਸੇ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਦੂਜੇ ਹਿੱਸਿਆਂ ਲਈ ਪਰਿਵਰਤਨ ਬਹੁਤ ਘੱਟ ਨਹੀਂ ਹੁੰਦੇ (ਜਦੋਂ ਕਈ ਅਨੁਮਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ, ਤਾਂ ਸੋਧਾਂ ਨੂੰ ਨਾ ਭੁੱਲੋ)।

ਸਹੀ ਗੈਰ-ਹੀਣਤਾ ਹਾਸ਼ੀਏ ਦੀ ਚੋਣ ਕਰਨਾ ਟੈਸਟ ਡਿਜ਼ਾਈਨ ਪੜਾਅ ਦੌਰਾਨ ਵਾਧੂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਜੋੜਦਾ ਹੈ। Δ ਨੂੰ ਕਿਵੇਂ ਚੁਣਨਾ ਹੈ ਦਾ ਸਵਾਲ ਲੇਖ ਵਿੱਚ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਵਰ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਜਿਹਾ ਲਗਦਾ ਹੈ ਕਿ ਇਹ ਚੋਣ ਕਲੀਨਿਕਲ ਟਰਾਇਲਾਂ ਵਿੱਚ ਵੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਾਰਦਰਸ਼ੀ ਨਹੀਂ ਹੈ। ਸੰਖੇਪ ਗੈਰ-ਹੀਣਤਾ 'ਤੇ ਮੈਡੀਕਲ ਪ੍ਰਕਾਸ਼ਨ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ ਕਿ ਸਿਰਫ ਅੱਧੇ ਪ੍ਰਕਾਸ਼ਨ ਸੀਮਾ ਦੀ ਚੋਣ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਂਦੇ ਹਨ, ਅਤੇ ਅਕਸਰ ਇਹ ਜਾਇਜ਼ਤਾ ਅਸਪਸ਼ਟ ਜਾਂ ਵਿਸਤ੍ਰਿਤ ਨਹੀਂ ਹੁੰਦੀ ਹੈ।

ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਇਹ ਪਹੁੰਚ ਦਿਲਚਸਪ ਜਾਪਦੀ ਹੈ ਕਿਉਂਕਿ ... ਲੋੜੀਂਦੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ ਘਟਾ ਕੇ, ਇਹ ਟੈਸਟਿੰਗ ਦੀ ਗਤੀ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ, ਅਤੇ, ਇਸ ਲਈ, ਫੈਸਲੇ ਲੈਣ ਦੀ ਗਤੀ। - ਦਾਰੀਆ ਮੁਖੀਨਾ, ਸਕਾਈਂਗ ਮੋਬਾਈਲ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਉਤਪਾਦ ਵਿਸ਼ਲੇਸ਼ਕ।

ਸਟੀਚ ਫਿਕਸ ਟੀਮ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਪਸੰਦ ਕਰਦੀ ਹੈ। ਸਾਰਾ ਟੈਕਨਾਲੋਜੀ ਭਾਈਚਾਰਾ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਟੈਸਟਾਂ ਨੂੰ ਚਲਾਉਣਾ ਪਸੰਦ ਕਰਦਾ ਹੈ। ਸਾਈਟ ਦਾ ਕਿਹੜਾ ਸੰਸਕਰਣ ਵਧੇਰੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਦਾ ਹੈ - ਏ ਜਾਂ ਬੀ? ਕੀ ਸਿਫ਼ਾਰਿਸ਼ ਮਾਡਲ ਦਾ ਵਰਜਨ ਏ ਵਰਜਨ ਬੀ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਪੈਸਾ ਕਮਾਉਂਦਾ ਹੈ? ਅਨੁਮਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ ਲਗਭਗ ਹਮੇਸ਼ਾ ਬੁਨਿਆਦੀ ਅੰਕੜਾ ਕੋਰਸ ਤੋਂ ਸਰਲ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ:

ਹਾਲਾਂਕਿ ਅਸੀਂ ਇਸ ਸ਼ਬਦ ਦੀ ਵਰਤੋਂ ਘੱਟ ਹੀ ਕਰਦੇ ਹਾਂ, ਪਰ ਜਾਂਚ ਦੇ ਇਸ ਰੂਪ ਨੂੰ "ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਨਾਲ, ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ ਦੋਵਾਂ ਵਿਕਲਪਾਂ ਵਿੱਚ ਕੋਈ ਅੰਤਰ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਇਸ ਵਿਚਾਰ ਨਾਲ ਬਣੇ ਰਹਿੰਦੇ ਹਾਂ ਅਤੇ ਕੇਵਲ ਤਾਂ ਹੀ ਇਸ ਨੂੰ ਛੱਡ ਦਿੰਦੇ ਹਾਂ ਜੇਕਰ ਡੇਟਾ ਅਜਿਹਾ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਮਜਬੂਰ ਕਰ ਰਿਹਾ ਹੈ - ਭਾਵ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ (A ਜਾਂ B) ਦੂਜੇ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ।

ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਢੁਕਵੀਂ ਹੈ। ਅਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਸਿਫ਼ਾਰਿਸ਼ ਮਾਡਲ ਦਾ ਸੰਸਕਰਣ B ਜਾਰੀ ਕਰਦੇ ਹਾਂ ਜੇਕਰ ਇਹ ਵਰਜਨ A ਨਾਲੋਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਬਿਹਤਰ ਹੈ ਜੋ ਪਹਿਲਾਂ ਹੀ ਵਰਤੋਂ ਵਿੱਚ ਹੈ। ਪਰ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਇਹ ਪਹੁੰਚ ਇੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਨਹੀਂ ਕਰਦੀ ਹੈ। ਆਓ ਕੁਝ ਉਦਾਹਰਣਾਂ ਵੱਲ ਧਿਆਨ ਦੇਈਏ।

1) ਅਸੀਂ ਤੀਜੀ ਧਿਰ ਦੀ ਸੇਵਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ ਨਕਲੀ ਬੈਂਕ ਕਾਰਡਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਸਾਨੂੰ ਇੱਕ ਹੋਰ ਸੇਵਾ ਮਿਲੀ ਜਿਸਦੀ ਕੀਮਤ ਕਾਫ਼ੀ ਘੱਟ ਹੈ। ਜੇਕਰ ਕੋਈ ਸਸਤੀ ਸੇਵਾ ਉਸੇ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ ਜੋ ਅਸੀਂ ਵਰਤਮਾਨ ਵਿੱਚ ਵਰਤਦੇ ਹਾਂ, ਅਸੀਂ ਇਸਨੂੰ ਚੁਣਾਂਗੇ। ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੀ ਜਾ ਰਹੀ ਸੇਵਾ ਨਾਲੋਂ ਬਿਹਤਰ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ।

2) ਅਸੀਂ ਡੇਟਾ ਸਰੋਤ ਨੂੰ ਛੱਡਣਾ ਚਾਹੁੰਦੇ ਹਾਂ A ਅਤੇ ਇਸਨੂੰ ਡਾਟਾ ਸਰੋਤ B ਨਾਲ ਬਦਲੋ। ਜੇਕਰ B ਬਹੁਤ ਮਾੜੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ ਤਾਂ ਅਸੀਂ A ਨੂੰ ਛੱਡਣ ਵਿੱਚ ਦੇਰੀ ਕਰ ਸਕਦੇ ਹਾਂ, ਪਰ A ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖਣਾ ਸੰਭਵ ਨਹੀਂ ਹੈ।

3) ਅਸੀਂ ਇੱਕ ਮਾਡਲਿੰਗ ਪਹੁੰਚ ਤੋਂ ਅੱਗੇ ਵਧਣਾ ਚਾਹੁੰਦੇ ਹਾਂA ਤੋਂ B ਦੀ ਪਹੁੰਚ ਇਸ ਲਈ ਨਹੀਂ ਕਿ ਅਸੀਂ B ਤੋਂ ਬਿਹਤਰ ਨਤੀਜਿਆਂ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਉਂਕਿ ਇਹ ਸਾਨੂੰ ਵਧੇਰੇ ਕਾਰਜਸ਼ੀਲ ਲਚਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਕੋਲ ਇਹ ਵਿਸ਼ਵਾਸ ਕਰਨ ਦਾ ਕੋਈ ਕਾਰਨ ਨਹੀਂ ਹੈ ਕਿ B ਬਦਤਰ ਹੋਵੇਗਾ, ਪਰ ਜੇਕਰ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ ਤਾਂ ਅਸੀਂ ਤਬਦੀਲੀ ਨਹੀਂ ਕਰਾਂਗੇ।

4) ਅਸੀਂ ਕਈ ਗੁਣਾਤਮਕ ਬਦਲਾਅ ਕੀਤੇ ਹਨ ਵੈੱਬਸਾਈਟ ਡਿਜ਼ਾਈਨ (ਵਰਜਨ ਬੀ) ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ ਅਤੇ ਵਿਸ਼ਵਾਸ ਕਰੋ ਕਿ ਇਹ ਸੰਸਕਰਣ ਸੰਸਕਰਣ A ਤੋਂ ਉੱਤਮ ਹੈ। ਅਸੀਂ ਪਰਿਵਰਤਨ ਜਾਂ ਕਿਸੇ ਵੀ ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕਰਦੇ ਹਾਂ ਜਿਸ ਦੁਆਰਾ ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਕਿਸੇ ਵੈਬਸਾਈਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ। ਪਰ ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਅਜਿਹੇ ਫਾਇਦੇ ਹਨ ਜੋ ਜਾਂ ਤਾਂ ਮਾਪਣਯੋਗ ਨਹੀਂ ਹਨ ਜਾਂ ਸਾਡੀ ਤਕਨਾਲੋਜੀ ਮਾਪਣ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ।

ਇਹਨਾਂ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਉੱਤਮਤਾ ਖੋਜ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਹੱਲ ਨਹੀਂ ਹੈ। ਪਰ ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਮਾਹਰ ਇਸਨੂੰ ਮੂਲ ਰੂਪ ਵਿੱਚ ਵਰਤਦੇ ਹਨ. ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਅਸੀਂ ਧਿਆਨ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਾਂ। ਜੇਕਰ ਇਹ ਸੱਚ ਹੈ ਕਿ ਸੰਸਕਰਣ A ਅਤੇ B ਬਹੁਤ ਹੀ ਸਮਾਨ ਤਰੀਕਿਆਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਤਾਂ ਇੱਕ ਮੌਕਾ ਹੈ ਕਿ ਅਸੀਂ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਵਾਂਗੇ। ਕੀ ਅਸੀਂ ਇਹ ਸਿੱਟਾ ਕੱਢਦੇ ਹਾਂ ਕਿ A ਅਤੇ B ਮੂਲ ਰੂਪ ਵਿੱਚ ਇੱਕੋ ਜਿਹਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ? ਨਹੀਂ! ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ ਅਤੇ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਇੱਕੋ ਗੱਲ ਨਹੀਂ ਹੈ।

ਨਮੂਨਾ ਆਕਾਰ ਗਣਨਾਵਾਂ (ਜੋ, ਬੇਸ਼ੱਕ, ਤੁਸੀਂ ਕੀਤੀਆਂ ਹਨ) ਆਮ ਤੌਰ 'ਤੇ ਟਾਈਪ II ਗਲਤੀ (ਅਸਵੀਕਾਰ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ) ਦੀ ਬਜਾਏ ਟਾਈਪ I ਗਲਤੀ (ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ, ਜਿਸਨੂੰ ਅਕਸਰ ਅਲਫ਼ਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਲਈ ਸਖਤ ਸੀਮਾਵਾਂ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਨਲ ਪਰਿਕਲਪਨਾ, ਦਿੱਤੀ ਗਈ ਸ਼ਰਤ ਕਿ ਨਲ ਪਰਿਕਲਪਨਾ ਗਲਤ ਹੈ, ਜਿਸਨੂੰ ਅਕਸਰ ਬੀਟਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। ਅਲਫ਼ਾ ਲਈ ਆਮ ਮੁੱਲ 0,05 ਹੈ, ਜਦੋਂ ਕਿ ਬੀਟਾ ਲਈ ਆਮ ਮੁੱਲ 0,20 ਹੈ, ਜੋ ਕਿ 0,80 ਦੀ ਅੰਕੜਾ ਸ਼ਕਤੀ ਦੇ ਅਨੁਸਾਰੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ 20% ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਅਸੀਂ ਉਸ ਮਾਤਰਾ ਦੇ ਸਹੀ ਪ੍ਰਭਾਵ ਨੂੰ ਗੁਆ ਬੈਠਾਂਗੇ ਜੋ ਅਸੀਂ ਆਪਣੀ ਪਾਵਰ ਗਣਨਾਵਾਂ ਵਿੱਚ ਨਿਰਧਾਰਿਤ ਕੀਤੀ ਹੈ, ਅਤੇ ਇਹ ਜਾਣਕਾਰੀ ਵਿੱਚ ਕਾਫ਼ੀ ਗੰਭੀਰ ਪਾੜਾ ਹੈ। ਇੱਕ ਉਦਾਹਰਨ ਦੇ ਤੌਰ ਤੇ, ਆਓ ਹੇਠ ਲਿਖੀਆਂ ਧਾਰਨਾਵਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰੀਏ:

H0: ਮੇਰਾ ਬੈਕਪੈਕ ਮੇਰੇ ਕਮਰੇ ਵਿੱਚ ਨਹੀਂ ਹੈ (3)
H1: ਮੇਰਾ ਬੈਕਪੈਕ ਮੇਰੇ ਕਮਰੇ ਵਿੱਚ ਹੈ (4)

ਜੇ ਮੈਂ ਆਪਣੇ ਕਮਰੇ ਦੀ ਖੋਜ ਕੀਤੀ ਅਤੇ ਮੇਰਾ ਬੈਕਪੈਕ ਲੱਭਿਆ, ਬਹੁਤ ਵਧੀਆ, ਮੈਂ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰ ਸਕਦਾ ਹਾਂ। ਪਰ ਜੇ ਮੈਂ ਕਮਰੇ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੇਖਿਆ ਅਤੇ ਆਪਣਾ ਬੈਕਪੈਕ ਨਹੀਂ ਲੱਭ ਸਕਿਆ (ਚਿੱਤਰ 1), ਤਾਂ ਮੈਨੂੰ ਕਿਹੜਾ ਸਿੱਟਾ ਕੱਢਣਾ ਚਾਹੀਦਾ ਹੈ? ਕੀ ਮੈਨੂੰ ਯਕੀਨ ਹੈ ਕਿ ਇਹ ਉੱਥੇ ਨਹੀਂ ਹੈ? ਕੀ ਮੈਂ ਕਾਫ਼ੀ ਔਖਾ ਦੇਖਿਆ? ਜੇ ਮੈਂ ਸਿਰਫ਼ 80% ਕਮਰੇ ਦੀ ਖੋਜ ਕੀਤੀ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਇਹ ਸਿੱਟਾ ਕੱਢਣਾ ਕਿ ਬੈਕਪੈਕ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਕਮਰੇ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਇੱਕ ਕਾਹਲੀ ਵਾਲਾ ਫੈਸਲਾ ਹੋਵੇਗਾ। ਕੋਈ ਹੈਰਾਨੀ ਨਹੀਂ ਕਿ ਅਸੀਂ "ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰ ਸਕਦੇ."

ਜਿਸ ਖੇਤਰ ਦੀ ਅਸੀਂ ਖੋਜ ਕੀਤੀ ਹੈ
ਸਾਨੂੰ ਬੈਕਪੈਕ ਨਹੀਂ ਮਿਲਿਆ - ਕੀ ਸਾਨੂੰ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?

ਚਿੱਤਰ 1: ਕਿਸੇ ਕਮਰੇ ਦੇ 80% ਦੀ ਖੋਜ ਕਰਨਾ ਲਗਭਗ 80% ਪਾਵਰ 'ਤੇ ਖੋਜ ਕਰਨ ਦੇ ਬਰਾਬਰ ਹੈ। ਜੇ ਤੁਹਾਨੂੰ ਕਮਰੇ ਦੇ 80% ਨੂੰ ਦੇਖਣ ਤੋਂ ਬਾਅਦ ਬੈਕਪੈਕ ਨਹੀਂ ਮਿਲਦਾ, ਤਾਂ ਕੀ ਤੁਸੀਂ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਉੱਥੇ ਨਹੀਂ ਹੈ?

ਤਾਂ ਇਸ ਸਥਿਤੀ ਵਿੱਚ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਤੁਸੀਂ ਅਧਿਐਨ ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਬਹੁਤ ਵਧਾ ਸਕਦੇ ਹੋ, ਪਰ ਫਿਰ ਤੁਹਾਨੂੰ ਬਹੁਤ ਵੱਡੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਜ਼ਰੂਰਤ ਹੋਏਗੀ ਅਤੇ ਨਤੀਜਾ ਅਜੇ ਵੀ ਅਸੰਤੁਸ਼ਟੀਜਨਕ ਹੋਵੇਗਾ।

ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਕਲੀਨਿਕਲ ਖੋਜ ਦੇ ਸੰਸਾਰ ਵਿੱਚ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਹੈ. ਡਰੱਗ ਬੀ ਡਰੱਗ ਏ ਨਾਲੋਂ ਸਸਤੀ ਹੈ; ਡਰੱਗ ਬੀ ਡਰੱਗ ਏ ਨਾਲੋਂ ਘੱਟ ਮਾੜੇ ਪ੍ਰਭਾਵਾਂ ਦਾ ਕਾਰਨ ਬਣਨ ਦੀ ਉਮੀਦ ਹੈ; ਡਰੱਗ B ਨੂੰ ਲਿਜਾਣਾ ਆਸਾਨ ਹੈ ਕਿਉਂਕਿ ਇਸਨੂੰ ਫਰਿੱਜ ਵਿੱਚ ਰੱਖਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਪਰ ਡਰੱਗ A ਕਰਦੀ ਹੈ। ਆਓ ਗੈਰ-ਹੀਣਤਾ ਦੀ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰੀਏ. ਇਹ ਇਹ ਦਰਸਾਉਣ ਲਈ ਹੈ ਕਿ ਸੰਸਕਰਣ B ਸੰਸਕਰਣ A ਦੇ ਬਰਾਬਰ ਹੀ ਵਧੀਆ ਹੈ—ਘੱਟੋ-ਘੱਟ ਕੁਝ ਪੂਰਵ-ਪਰਿਭਾਸ਼ਿਤ ਗੈਰ-ਨਿਮਰਤਾ ਹਾਸ਼ੀਏ ਦੇ ਅੰਦਰ, Δ। ਅਸੀਂ ਥੋੜੀ ਦੇਰ ਬਾਅਦ ਇਸ ਸੀਮਾ ਨੂੰ ਕਿਵੇਂ ਸੈੱਟ ਕਰਨਾ ਹੈ ਇਸ ਬਾਰੇ ਹੋਰ ਗੱਲ ਕਰਾਂਗੇ। ਪਰ ਹੁਣ ਲਈ ਇਹ ਮੰਨ ਲਈਏ ਕਿ ਇਹ ਸਭ ਤੋਂ ਛੋਟਾ ਅੰਤਰ ਹੈ ਜੋ ਅਮਲੀ ਤੌਰ 'ਤੇ ਅਰਥਪੂਰਨ ਹੈ (ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇਸਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਕਲੀਨਿਕਲ ਮਹੱਤਤਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)।

ਗੈਰ-ਹੀਣਤਾ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਹਰ ਚੀਜ਼ ਨੂੰ ਇਸਦੇ ਸਿਰ 'ਤੇ ਮੋੜ ਦਿੰਦੀਆਂ ਹਨ:

ਹੁਣ, ਇਹ ਮੰਨਣ ਦੀ ਬਜਾਏ ਕਿ ਕੋਈ ਫਰਕ ਨਹੀਂ ਹੈ, ਅਸੀਂ ਇਹ ਮੰਨ ਲਵਾਂਗੇ ਕਿ ਸੰਸਕਰਣ B ਸੰਸਕਰਣ A ਨਾਲੋਂ ਵੀ ਮਾੜਾ ਹੈ, ਅਤੇ ਅਸੀਂ ਇਸ ਧਾਰਨਾ ਨਾਲ ਜੁੜੇ ਰਹਾਂਗੇ ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਇਹ ਨਹੀਂ ਦਿਖਾਉਂਦੇ ਕਿ ਅਜਿਹਾ ਨਹੀਂ ਹੈ। ਇਹ ਬਿਲਕੁਲ ਉਹ ਪਲ ਹੈ ਜਦੋਂ ਇਹ ਇਕ-ਪਾਸੜ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ ਨੂੰ ਵਰਤਣਾ ਸਮਝਦਾ ਹੈ! ਅਭਿਆਸ ਵਿੱਚ, ਇਹ ਇੱਕ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਬਣਾ ਕੇ ਅਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਅੰਤਰਾਲ ਅਸਲ ਵਿੱਚ Δ (ਚਿੱਤਰ 2) ਤੋਂ ਵੱਡਾ ਹੈ ਜਾਂ ਨਹੀਂ।

Δ ਦੀ ਚੋਣ ਕਰੋ

ਸਹੀ Δ ਦੀ ਚੋਣ ਕਿਵੇਂ ਕਰੀਏ? Δ ਚੋਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅੰਕੜਾ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਠੋਸ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਕਲੀਨਿਕਲ ਖੋਜ ਦੀ ਦੁਨੀਆ ਵਿੱਚ, ਇੱਥੇ ਰੈਗੂਲੇਟਰੀ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਹਨ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ ਡੈਲਟਾ ਨੂੰ ਸਭ ਤੋਂ ਛੋਟੇ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਣਾ ਚਾਹੀਦਾ ਹੈ - ਇੱਕ ਜੋ ਅਭਿਆਸ ਵਿੱਚ ਇੱਕ ਫਰਕ ਲਿਆਵੇਗਾ। ਇੱਥੇ ਆਪਣੇ ਆਪ ਨੂੰ ਪਰਖਣ ਲਈ ਯੂਰਪੀਅਨ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਇੱਕ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਹੈ: “ਜੇਕਰ ਅੰਤਰ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਚੁਣਿਆ ਗਿਆ ਹੈ, ਤਾਂ ਇੱਕ ਭਰੋਸੇ ਦਾ ਅੰਤਰਾਲ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ –∆ ਅਤੇ 0 ਦੇ ਵਿਚਕਾਰ ਹੈ… ਅਜੇ ਵੀ ਗੈਰ-ਹੀਣਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਕਾਫੀ ਹੈ। ਜੇਕਰ ਇਹ ਨਤੀਜਾ ਸਵੀਕਾਰਯੋਗ ਨਹੀਂ ਜਾਪਦਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ∆ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਨਹੀਂ ਚੁਣਿਆ ਗਿਆ ਸੀ।"

ਡੈਲਟਾ ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਸਹੀ ਨਿਯੰਤਰਣ (ਪਲੇਸਬੋ/ਕੋਈ ਇਲਾਜ) ਦੇ ਅਨੁਸਾਰੀ ਸੰਸਕਰਣ A ਦੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸਾਨੂੰ ਇਹ ਕਹਿਣ ਲਈ ਅਗਵਾਈ ਕਰਦਾ ਹੈ ਕਿ ਸੰਸਕਰਣ B ਅਸਲ ਨਿਯੰਤਰਣ ਨਾਲੋਂ ਵੀ ਮਾੜਾ ਹੈ, ਜਦੋਂ ਕਿ ਉਸੇ ਸਮੇਂ "ਗੈਰ-ਹੀਣਤਾ" ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹੋਏ " ਚਲੋ ਇਹ ਮੰਨ ਲਓ ਕਿ ਜਦੋਂ ਸੰਸਕਰਣ A ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਸ ਨੂੰ ਸੰਸਕਰਣ 0 ਦੁਆਰਾ ਬਦਲ ਦਿੱਤਾ ਗਿਆ ਸੀ ਜਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਬਿਲਕੁਲ ਮੌਜੂਦ ਨਹੀਂ ਸੀ (ਚਿੱਤਰ 3 ਵੇਖੋ)।

ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ E ਪ੍ਰਗਟ ਕੀਤਾ ਗਿਆ ਸੀ (ਜੋ ਕਿ, ਸੰਭਵ ਤੌਰ 'ਤੇ μ^A−μ^0=E)। ਹੁਣ A ਸਾਡਾ ਨਵਾਂ ਸਟੈਂਡਰਡ ਹੈ, ਅਤੇ ਅਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ B A ਜਿੰਨਾ ਵਧੀਆ ਹੋਵੇ। μB−μA≤−Δ (ਨਲ ਪਰਿਕਲਪਨਾ) ਲਿਖਣ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ μB≤μA−Δ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ do E ਦੇ ਬਰਾਬਰ ਜਾਂ ਵੱਧ ਹੈ, ਤਾਂ μB ≤ μA−E ≤ ਪਲੇਸਬੋ। ਹੁਣ ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ μB ਲਈ ਸਾਡਾ ਅਨੁਮਾਨ ਪੂਰੀ ਤਰ੍ਹਾਂ μA−E ਤੋਂ ਵੱਧ ਗਿਆ ਹੈ, ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ ਅਤੇ ਸਾਨੂੰ ਇਹ ਸਿੱਟਾ ਕੱਢਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਕਿ B A ਜਿੰਨਾ ਵਧੀਆ ਹੈ, ਪਰ ਉਸੇ ਸਮੇਂ μB ≤ μ ਪਲੇਸਬੋ ਹੋ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਨਹੀਂ ਹੈ। ਕੇਸ। ਸਾਨੂੰ ਕੀ ਚਾਹੀਦਾ ਹੈ। (ਚਿੱਤਰ 3)।

ਚਿੱਤਰ 3. ਇੱਕ ਗੈਰ-ਨਿਮਨਤਾ ਹਾਸ਼ੀਏ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ। ਜੇਕਰ ਕਟੌਫ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਿੱਟਾ ਕੱਢਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ B A ਤੋਂ ਘਟੀਆ ਹੈ, ਪਰ ਉਸੇ ਸਮੇਂ ਪਲੇਸਬੋ ਤੋਂ ਵੱਖ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਅਜਿਹੀ ਦਵਾਈ ਦਾ ਆਦਾਨ-ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਾਂਗੇ ਜੋ ਪਲੇਸਬੋ (A) ਤੋਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਦਵਾਈ ਲਈ ਪਲੇਸਬੋ ਜਿੰਨੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ।

α ਦੀ ਚੋਣ

ਆਉ α ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਅੱਗੇ ਵਧੀਏ। ਤੁਸੀਂ ਮਿਆਰੀ ਮੁੱਲ α = 0,05 ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹੀ ਨਹੀਂ ਹੈ। ਜਿਵੇਂ, ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਤੁਸੀਂ ਔਨਲਾਈਨ ਕੋਈ ਚੀਜ਼ ਖਰੀਦਦੇ ਹੋ ਅਤੇ ਇੱਕ ਵਾਰ ਵਿੱਚ ਕਈ ਛੂਟ ਕੋਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਹਾਲਾਂਕਿ ਉਹਨਾਂ ਨੂੰ ਜੋੜਿਆ ਨਹੀਂ ਜਾਣਾ ਚਾਹੀਦਾ - ਡਿਵੈਲਪਰ ਨੇ ਸਿਰਫ਼ ਇੱਕ ਗਲਤੀ ਕੀਤੀ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਇਸ ਤੋਂ ਬਚ ਗਏ ਹੋ। ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ, α ਦਾ ਮੁੱਲ α ਦੇ ਅੱਧੇ ਮੁੱਲ ਦੇ ਬਰਾਬਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਕਿ ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਯਾਨੀ 0,05 / 2 = 0,025।

ਨਮੂਨਾ ਦਾ ਆਕਾਰ

ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦਾ ਅੰਦਾਜ਼ਾ ਕਿਵੇਂ ਲਗਾਇਆ ਜਾਵੇ? ਜੇਕਰ ਤੁਸੀਂ ਮੰਨਦੇ ਹੋ ਕਿ A ਅਤੇ B ਵਿਚਕਾਰ ਸਹੀ ਮਾਧਿਅਮ ਅੰਤਰ 0 ਹੈ, ਤਾਂ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਗਣਨਾ ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵੇਲੇ ਉਹੀ ਹੁੰਦੀ ਹੈ, ਸਿਵਾਏ ਤੁਸੀਂ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਨੂੰ ਗੈਰ-ਨਿਮਨਤਾ ਹਾਸ਼ੀਏ ਨਾਲ ਬਦਲਦੇ ਹੋ, ਬਸ਼ਰਤੇ ਕਿ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ α ਗੈਰ-ਘਟੀਆ ਕੁਸ਼ਲਤਾ = 1/2α ਉੱਤਮਤਾ ( α ਗੈਰ-ਹੀਣਤਾ = 1/2 α ਉੱਤਮਤਾ)। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਇਹ ਵਿਸ਼ਵਾਸ ਕਰਨ ਦਾ ਕਾਰਨ ਹੈ ਕਿ ਵਿਕਲਪ B ਵਿਕਲਪ A ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਮਾੜਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਇਹ ਸਾਬਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਇਹ Δ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਕਿਸਮਤ ਵਿੱਚ ਹੋ! ਇਹ ਅਸਲ ਵਿੱਚ ਤੁਹਾਡੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦਿਖਾਉਣਾ ਆਸਾਨ ਹੈ ਕਿ B A ਨਾਲੋਂ ਮਾੜਾ ਹੈ ਜੇਕਰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਸੋਚਦੇ ਹੋ ਕਿ ਇਹ ਬਰਾਬਰ ਦੀ ਬਜਾਏ ਥੋੜ੍ਹਾ ਮਾੜਾ ਹੈ।

ਹੱਲ ਦੇ ਨਾਲ ਉਦਾਹਰਨ

ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਸੰਸਕਰਣ B 'ਤੇ ਅਪਗ੍ਰੇਡ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਬਸ਼ਰਤੇ ਕਿ ਇਹ 0,1-ਪੁਆਇੰਟ ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਸਕੇਲ 'ਤੇ ਸੰਸਕਰਣ A ਨਾਲੋਂ 5 ਪੁਆਇੰਟ ਤੋਂ ਵੱਧ ਮਾੜਾ ਨਾ ਹੋਵੇ... ਆਓ ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇਸ ਸਮੱਸਿਆ ਤੱਕ ਪਹੁੰਚ ਕਰੀਏ।

ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕਰਾਂਗੇ:

ਭਾਵ, ਜੇਕਰ ਤੁਹਾਡੇ ਸਮੂਹ ਵਿੱਚ 2103 ਨਿਰੀਖਣ ਹਨ, ਤਾਂ ਤੁਸੀਂ 90% ਭਰੋਸਾ ਰੱਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਨੂੰ 0,10 ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਦਾ ਪ੍ਰਭਾਵ ਆਕਾਰ ਮਿਲੇਗਾ। ਪਰ ਜੇਕਰ ਤੁਹਾਡੇ ਲਈ 0,10 ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਇਹ ਉੱਤਮਤਾ ਦੀ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋ ਸਕਦਾ। ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਰਹਿਣ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਛੋਟੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਲਈ ਅਧਿਐਨ ਚਲਾਉਣ ਦਾ ਫੈਸਲਾ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ 0,05। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਤੁਹਾਨੂੰ 8407 ਨਿਰੀਖਣਾਂ ਦੀ ਜ਼ਰੂਰਤ ਹੋਏਗੀ, ਯਾਨੀ ਨਮੂਨਾ ਲਗਭਗ 4 ਗੁਣਾ ਵੱਧ ਜਾਵੇਗਾ. ਪਰ ਉਦੋਂ ਕੀ ਜੇ ਅਸੀਂ ਆਪਣੇ ਅਸਲ ਨਮੂਨੇ ਦੇ ਆਕਾਰ 'ਤੇ ਅੜ ਗਏ, ਪਰ ਪਾਵਰ ਨੂੰ 0,99 ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਤਾਂ ਜੋ ਅਸੀਂ ਸਕਾਰਾਤਮਕ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ 'ਤੇ ਸੁਰੱਖਿਅਤ ਰਹਾਂਗੇ? ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਇੱਕ ਸਮੂਹ ਲਈ n 3676 ਹੋਵੇਗਾ, ਜੋ ਪਹਿਲਾਂ ਹੀ ਬਿਹਤਰ ਹੈ, ਪਰ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ 50% ਤੋਂ ਵੱਧ ਵਧਾ ਦਿੰਦਾ ਹੈ। ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ, ਅਸੀਂ ਅਜੇ ਵੀ ਖਾਲੀ ਧਾਰਨਾ ਦਾ ਖੰਡਨ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵਾਂਗੇ, ਅਤੇ ਸਾਨੂੰ ਸਾਡੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਨਹੀਂ ਮਿਲੇਗਾ।

ਕੀ ਜੇ ਅਸੀਂ ਇਸ ਦੀ ਬਜਾਏ ਗੈਰ-ਹੀਣਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕੀਤੀ?

ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਗਣਨਾ ਡੀਨੋਮੀਨੇਟਰ ਨੂੰ ਛੱਡ ਕੇ ਉਸੇ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਵੇਗੀ।
ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵਰਤੇ ਗਏ ਫਾਰਮੂਲੇ ਤੋਂ ਅੰਤਰ ਹੇਠਾਂ ਦਿੱਤੇ ਅਨੁਸਾਰ ਹਨ:

— Z1−α/2 ਨੂੰ Z1−α ਨਾਲ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਤੁਸੀਂ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਸਭ ਕੁਝ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ α = 0,05 ਨੂੰ α = 0,025 ਨਾਲ ਬਦਲਦੇ ਹੋ, ਭਾਵ, ਇਹ ਉਹੀ ਸੰਖਿਆ ਹੈ (1,96)

— (μB−μA) ਭਾਅ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ

— θ (ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ) ਨੂੰ Δ (ਗੈਰ-ਹੀਣਤਾ ਦਾ ਹਾਸ਼ੀਏ) ਨਾਲ ਬਦਲਿਆ ਗਿਆ ਹੈ

ਜੇਕਰ ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ µB = µA, ਤਾਂ (µB − µA) = 0 ਅਤੇ ਗੈਰ-ਇਨਫਰਿਓਰਿਟੀ ਹਾਸ਼ੀਏ ਲਈ ਨਮੂਨਾ ਆਕਾਰ ਗਣਨਾ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜੋ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ ਜੇਕਰ ਅਸੀਂ 0,1 ਦੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਲਈ ਉੱਤਮਤਾ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਬਹੁਤ ਵਧੀਆ! ਅਸੀਂ ਵੱਖ-ਵੱਖ ਅਨੁਮਾਨਾਂ ਅਤੇ ਸਿੱਟਿਆਂ ਲਈ ਇੱਕ ਵੱਖਰੀ ਪਹੁੰਚ ਦੇ ਨਾਲ ਇੱਕੋ ਆਕਾਰ ਦਾ ਅਧਿਐਨ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਸਾਨੂੰ ਉਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਮਿਲੇਗਾ ਜਿਸਦਾ ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਜਵਾਬ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਾਂ।

ਹੁਣ ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਇਹ ਨਹੀਂ ਸੋਚਦੇ ਕਿ µB = µA ਅਤੇ
ਅਸੀਂ ਸੋਚਦੇ ਹਾਂ ਕਿ µB ਥੋੜਾ ਖਰਾਬ ਹੈ, ਸ਼ਾਇਦ 0,01 ਯੂਨਿਟਾਂ ਦੁਆਰਾ। ਇਹ ਪ੍ਰਤੀ ਸਮੂਹ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ 1737 ਤੱਕ ਘਟਾ ਕੇ, ਸਾਡੇ ਭਾਅ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।

ਕੀ ਹੁੰਦਾ ਹੈ ਜੇਕਰ ਸੰਸਕਰਣ B ਅਸਲ ਵਿੱਚ ਸੰਸਕਰਣ A ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ? ਅਸੀਂ ਇਸ ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਅਸਵੀਕਾਰ ਕਰਦੇ ਹਾਂ ਕਿ B A ਤੋਂ Δ ਤੋਂ ਵੱਧ ਬਦਤਰ ਹੈ ਅਤੇ ਵਿਕਲਪਕ ਪਰਿਕਲਪਨਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹਾਂ ਕਿ B, ਜੇਕਰ ਬਦਤਰ ਹੈ, ਤਾਂ Δ ਦੁਆਰਾ A ਤੋਂ ਮਾੜਾ ਨਹੀਂ ਹੈ ਅਤੇ ਬਿਹਤਰ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਸਿੱਟੇ ਨੂੰ ਇੱਕ ਅੰਤਰ-ਫੰਕਸ਼ਨਲ ਪੇਸ਼ਕਾਰੀ ਵਿੱਚ ਪਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਕੀ ਹੁੰਦਾ ਹੈ (ਗੰਭੀਰਤਾ ਨਾਲ, ਕੋਸ਼ਿਸ਼ ਕਰੋ)। ਇੱਕ ਅਗਾਂਹਵਧੂ ਸਥਿਤੀ ਵਿੱਚ, ਕੋਈ ਵੀ "Δ ਤੋਂ ਵੱਧ ਨਹੀਂ ਅਤੇ ਸ਼ਾਇਦ ਬਿਹਤਰ" ਲਈ ਸੈਟਲ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ।

ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਅਧਿਐਨ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ ਬਹੁਤ ਹੀ ਸੰਖੇਪ ਵਿੱਚ ਕਿਹਾ ਜਾਂਦਾ ਹੈ "ਕਹਿਣ ਦੀ ਪਰਖ ਕਰਨਾ ਕਿ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੂਜੇ ਨਾਲੋਂ ਉੱਤਮ ਜਾਂ ਘਟੀਆ ਹੈ।" ਇਹ ਅਨੁਮਾਨਾਂ ਦੇ ਦੋ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ:

ਪਹਿਲਾ ਸੈੱਟ (ਗੈਰ-ਹੀਣਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਸਮਾਨ):

ਦੂਜਾ ਸੈੱਟ (ਉੱਤਮਤਾ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵੇਲੇ ਵਰਗਾ ਹੀ):

ਅਸੀਂ ਦੂਜੀ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਤਾਂ ਹੀ ਕਰਦੇ ਹਾਂ ਜੇਕਰ ਪਹਿਲੀ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਕ੍ਰਮਵਾਰ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ, ਅਸੀਂ ਸਮੁੱਚੀ ਕਿਸਮ I ਗਲਤੀ ਦਰ (α) ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਾਂ। ਅਭਿਆਸ ਵਿੱਚ, ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਕਿ ਕੀ ਪੂਰਾ ਅੰਤਰਾਲ -Δ ਤੋਂ ਵੱਧ ਹੈ, ਸਾਧਨਾਂ ਅਤੇ ਟੈਸਟਿੰਗ ਵਿਚਕਾਰ ਅੰਤਰ ਲਈ ਇੱਕ 95% ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਬਣਾ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਅੰਤਰਾਲ -Δ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਅਸੀਂ ਨਲ ਮੁੱਲ ਨੂੰ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਅਤੇ ਰੋਕ ਨਹੀਂ ਸਕਦੇ। ਜੇਕਰ ਪੂਰਾ ਅੰਤਰਾਲ ਸੱਚਮੁੱਚ −Δ ਤੋਂ ਵੱਡਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਜਾਰੀ ਰੱਖਾਂਗੇ ਅਤੇ ਦੇਖਾਂਗੇ ਕਿ ਕੀ ਅੰਤਰਾਲ ਵਿੱਚ 0 ਹੈ।

ਇਕ ਹੋਰ ਕਿਸਮ ਦੀ ਖੋਜ ਹੈ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਚਰਚਾ ਨਹੀਂ ਕੀਤੀ ਹੈ - ਸਮਾਨਤਾ ਅਧਿਐਨ।

ਇਸ ਕਿਸਮ ਦੇ ਅਧਿਐਨਾਂ ਨੂੰ ਗੈਰ-ਨਿਮਰਤਾ ਅਧਿਐਨਾਂ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਉਲਟ, ਪਰ ਉਹਨਾਂ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਹੈ। ਇੱਕ ਗੈਰ-ਹੀਣਤਾ ਅਜ਼ਮਾਇਸ਼ ਦਾ ਉਦੇਸ਼ ਇਹ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਵਿਕਲਪ B ਘੱਟੋ-ਘੱਟ A ਜਿੰਨਾ ਵਧੀਆ ਹੈ। ਇੱਕ ਸਮਾਨਤਾ ਅਜ਼ਮਾਇਸ਼ ਦਾ ਉਦੇਸ਼ ਇਹ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਵਿਕਲਪ B ਘੱਟੋ-ਘੱਟ A ਜਿੰਨਾ ਵਧੀਆ ਹੈ। ਵਿਕਲਪ A B ਜਿੰਨਾ ਵਧੀਆ ਹੈ, ਜੋ ਕਿ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੈ। ਅਸਲ ਵਿੱਚ, ਅਸੀਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ ਕਿ ਕੀ ਮਤਲਬ ਵਿੱਚ ਅੰਤਰ ਲਈ ਪੂਰਾ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ −Δ ਅਤੇ Δ ਦੇ ਵਿਚਕਾਰ ਹੈ। ਅਜਿਹੇ ਅਧਿਐਨਾਂ ਲਈ ਇੱਕ ਵੱਡੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਹ ਘੱਟ ਵਾਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਲਈ ਅਗਲੀ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਅਧਿਐਨ ਕਰਦੇ ਹੋ ਜਿਸ ਵਿੱਚ ਤੁਹਾਡਾ ਮੁੱਖ ਟੀਚਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਨਵਾਂ ਸੰਸਕਰਣ ਕੋਈ ਮਾੜਾ ਨਹੀਂ ਹੈ, ਤਾਂ "ਨਲ ਪਰਿਕਲਪਨਾ ਨੂੰ ਰੱਦ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ" ਲਈ ਸੈਟਲ ਨਾ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਵੱਖ-ਵੱਖ ਵਿਕਲਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ।

ਸਰੋਤ: www.habr.com