मैं आपको गणित पर कम से कम जोर देने के साथ सहज ज्ञान देने की कोशिश करूंगा।
अवलोकन डेटा के साथ मुख्य समस्या और विश्लेषण करता है कि स्टेम इससे भ्रमित है। कन्फ़्यूज़न तब होता है जब एक चर न केवल निर्धारित उपचार को प्रभावित करता है, बल्कि परिणाम भी। जब एक यादृच्छिक प्रयोग किया जाता है, तो विषयों को उपचार के लिए यादृच्छिक किया जाता है ताकि, औसतन, प्रत्येक उपचार को सौंपे गए विषयों को कोवरिएट्स (आयु, जाति, लिंग, आदि) के संबंध में समान होना चाहिए। इस यादृच्छिकरण के परिणामस्वरूप, यह संभावना नहीं है (विशेष रूप से बड़े नमूनों में) कि परिणाम में अंतर किसी भी कोवरिएट्स के कारण होता है, लेकिन लागू उपचार के कारण, चूंकि औसतन, उपचार समूहों में कोवरिएट्स समान होते हैं।
दूसरी ओर, अवलोकन डेटा के साथ कोई यादृच्छिक तंत्र नहीं है जो विषयों को उपचार प्रदान करता है। उदाहरण के लिए एक मानक सर्जिकल प्रक्रिया की तुलना में एक नई दिल की सर्जरी के बाद रोगियों के जीवित रहने की दर की जांच करने के लिए एक अध्ययन करें। आमतौर पर कोई भी व्यक्ति नैतिक कारणों से रोगियों को प्रत्येक प्रक्रिया के लिए यादृच्छिक नहीं कर सकता है। परिणामस्वरूप रोगी और चिकित्सक उपचार में से एक में आत्म-चयन करते हैं, अक्सर उनके कोवरिएट्स से संबंधित कई कारणों के कारण। उदाहरण के लिए यदि आप बड़े हैं, तो नई प्रक्रिया कुछ जोखिम भरी हो सकती है, और परिणामस्वरूप डॉक्टर नए उपचार की सिफारिश युवा रोगियों को अधिक बार कर सकते हैं। यदि ऐसा होता है और आप जीवित रहने की दरों को देखते हैं, तो नया उपचार अधिक प्रभावी हो सकता है, लेकिन यह भ्रामक होगा क्योंकि छोटे रोगियों को इस उपचार के लिए सौंपा गया है और छोटे रोगी लंबे समय तक जीवित रहते हैं, बाकी सब बराबर। यह वह जगह है जहाँ प्रवृत्ति स्कोर काम में आते हैं।
प्रोज़ेन्शन स्कोर, कार्य-कारण की मूलभूत समस्या से निपटने में मदद करता है - कि आपके पास उपचार के लिए विषयों के गैर-यादृच्छिककरण के कारण भ्रम हो सकता है और यह अकेले "हस्तक्षेप" या उपचार के बजाय आपको दिखाई देने वाले "प्रभावों" का कारण हो सकता है। यदि आप किसी तरह से अपने विश्लेषण को संशोधित करने में सक्षम थे ताकि उपचार समूहों के बीच कोवरिएट्स (आयु, लिंग, लिंग, स्वास्थ्य की स्थिति) "संतुलित" रहे, तो आपके पास इस बात के पुख्ता सबूत होंगे कि परिणामों में अंतर हस्तक्षेप / उपचार के कारण है इसके बजाय इन कोवरिएट्स। प्रवृत्ति स्कोर, प्रत्येक विषय की संभावना को निर्धारित करते हैं कि उन्हें उपचार के लिए सौंपा गया था जो उन्हें मनाया कोवराइट्स का सेट दिया गया था। यदि आप इन संभावनाओं (मिलान स्कोर) पर मेल खाते हैं,
आप पूछ सकते हैं कि वास्तव में कोवरिएट्स पर मेल क्यों नहीं किया जाता है (उदाहरण के लिए सुनिश्चित करें कि आप उपचार में अच्छे स्वास्थ्य में 40 वर्ष के पुरुषों से मेल खाते हैं 1 उपचार में अच्छे स्वास्थ्य में 40 वर्षीय पुरुषों के साथ)? यह बड़े नमूनों और कुछ कोवरिएट्स के लिए ठीक काम करता है, लेकिन यह तब करना लगभग असंभव हो जाता है जब नमूना का आकार छोटा होता है और कोवरिएट्स की संख्या भी मध्यम आकार की होती है (देखें क्रॉस-वैलिडिटी के अभिशाप को देखें कि ऐसा क्यों है) ।
अब, यह सब कहा जा रहा है, भविष्यवाणी के स्कोर के एकिलस एड़ी बिना किसी भ्रमित कन्फ्यूडर की धारणा है। यह धारणा बताती है कि आप अपने समायोजन में किसी भी कोवरिएट्स को शामिल करने में विफल नहीं हुए हैं जो संभावित कन्फ्यूडर हैं। सहज रूप से, इसके पीछे का कारण यह है कि यदि आपने अपना प्रिवेंस स्कोर बनाते समय एक कन्फ़्यूडर को शामिल नहीं किया है, तो आप इसके लिए कैसे समायोजित कर सकते हैं? अतिरिक्त धारणाएं भी हैं जैसे कि स्थिर इकाई उपचार मूल्य धारणा, जिसमें कहा गया है कि एक विषय को सौंपा गया उपचार अन्य विषयों के संभावित परिणाम को प्रभावित नहीं करता है।