मुझे लगता है कि यह एक बहुत अच्छा सवाल है; यह विवादास्पद कई परीक्षण "समस्या" के दिल में पहुंच जाता है जो महामारी विज्ञान से अर्थमिति तक के क्षेत्रों को ग्रस्त करता है। आखिर हम कैसे जान सकते हैं कि हमें जो महत्व मिला है, वह सहज है या नहीं? हमारा बहुउपयोगी मॉडल कितना सही है?
शोर चर को प्रकाशित करने की संभावना को ऑफसेट करने के लिए तकनीकी दृष्टिकोण के संदर्भ में, मैं दिल से 'व्हीबर' से सहमत होगा कि प्रशिक्षण डेटा के रूप में अपने नमूने के भाग का उपयोग करना और परीक्षण डेटा के रूप में बाकी एक अच्छा विचार है। यह एक दृष्टिकोण है जो तकनीकी साहित्य में चर्चा करता है, इसलिए यदि आप समय लेते हैं, तो आप इसका उपयोग कब और कैसे करें, इसके लिए कुछ अच्छे दिशानिर्देशों का पता लगा सकते हैं।
लेकिन कई परीक्षण के दर्शन पर अधिक सीधे हमला करने के लिए , मैं आपको नीचे दिए गए लेखों को पढ़ने का सुझाव देता हूं, जिनमें से कुछ इस स्थिति का समर्थन करते हैं कि कई परीक्षण के लिए समायोजन अक्सर हानिकारक होता है (लागत शक्ति), अनावश्यक, और यहां तक कि एक तार्किक गिरावट भी हो सकती है। । मैं एक के लिए अपने आप इस दावे को स्वीकार नहीं करता कि एक संभावित भविष्यवक्ता की जांच करने की हमारी क्षमता दूसरे की जांच से कम है। परिवार-वार के रूप में हम किसी दिए गए मॉडल में अधिक भविष्यवक्ताओं शामिल टाइप 1 त्रुटि दर में वृद्धि हो सकती है, लेकिन जब तक हम अपने नमूने का आकार, प्रत्येक के लिए टाइप 1 त्रुटि की संभावना की सीमाओं से परे जाना नहीं अलग-अलगभविष्यवक्ता स्थिर है; और परिवार-वार त्रुटि को नियंत्रित करने से यह स्पष्ट नहीं होता कि कौन सा विशिष्ट शोर है और कौन सा नहीं है। बेशक, साथ ही साथ नकली-तर्क भी हैं।
इसलिए, जब तक आप संभावित चर की अपनी सूची को सीमित कर देते हैं, जो प्रशंसनीय हैं (जैसे, परिणाम के लिए ज्ञात रास्ते होंगे) तो पहले से ही सहजता का जोखिम काफी अच्छी तरह से संभाला जाता है।
हालाँकि, मैं यह कहना चाहूँगा कि एक भविष्य कहनेवाला मॉडल अपने भविष्यवक्ताओं के "सत्य-मूल्य" के कारण उतना ही चिंतित नहीं है जितना कि एक कारण मॉडल; मॉडल में बहुत बड़ा अंतर हो सकता है, लेकिन जब तक हम विचरण की एक बड़ी डिग्री की व्याख्या करते हैं तब तक हम चिंतित नहीं होते हैं। इससे काम आसान हो जाता है, कम से कम एक मायने में।
चीयर्स,
ब्रेंडन, बायोस्टैटिकल कंसल्टेंट
पुनश्च: आप दो अलग-अलग रजिस्टरों के बजाय आपके द्वारा वर्णित डेटा के लिए शून्य-फुलाया हुआ पॉइज़न प्रतिगमन करना चाहते हैं।
- Perneger, TV बोन्फ्रोनी समायोजन के साथ क्या गलत है । बीएमजे 1998; 316: 1236
- कुक, आरजे एंड फेयरवेल, VT परीक्षण और नैदानिक परीक्षणों के डिजाइन में विश्लेषण । जर्नल ऑफ़ द रॉयल स्टैटिस्टिकल सोसाइटी , सीरीज़ ए 1996; वॉल्यूम। 159, नंबर 1: 93-110
- रोथमैन, केजे कोई समायोजन कई तुलनाओं के लिए आवश्यक हैं । महामारी विज्ञान 1990; वॉल्यूम। 1, नंबर 1: 43-46
- मार्शल, जेआर डेटा ड्रेजिंग और उल्लेखनीयता । महामारी विज्ञान 1990; वॉल्यूम। 1, नंबर 1: 5-7
- ग्रीनलैंड, एस एंड रॉबिन्स, कई तुलनाओं के लिए जेएम Empirical-Bayes समायोजन कभी-कभी उपयोगी होते हैं । महामारी विज्ञान 1991; वॉल्यूम। 2, नंबर 4: 244-251