දැනට පවතින COVID-19 වසංගතය රෝගයේ බලපෑම තේරුම් ගැනීමට සහ ඵලදායී මැදිහත්වීම් වර්ධනය කිරීමට විස්තීර්ණ සායනික අධ්‍යයනයක හදිසි අවශ්‍යතාවයක් ඇති කර ඇත. කෙසේ වෙතත්, මෙම අධ්‍යයනයන්හි අතුරුදහන් වූ දත්ත දත්ත විශ්ලේෂණය සහ අර්ථ නිරූපණය සඳහා සැලකිය යුතු අභියෝග මතු කළ හැකිය. මෙම ලිපියෙන්, අපි COVID-19 සායනික අධ්‍යයනයන්හි අතුරුදහන් වූ දත්ත හැසිරවීම සඳහා ප්‍රධාන සංඛ්‍යාන ප්රවේශයන් ගවේෂණය කරන්නෙමු, නැතිවූ දත්ත විශ්ලේෂණය සහ ජීව සංඛ්‍යාලේඛන තුළ ඇති ශිල්පීය ක්රම කෙරෙහි අවධානය යොමු කරන්නෙමු.
COVID-19 සායනික අධ්‍යයනයන්හි නැතිවූ දත්ත අවබෝධ කර ගැනීම
අස්ථානගත වූ දත්ත යනු එකතු කිරීමට බලාපොරොත්තු වන මිනුම් හෝ නිරීක්ෂණ නොමැති වීමයි. COVID-19 සායනික අධ්‍යයන සන්දර්භය තුළ, රෝගියාට අනුකූල නොවීම, පසු විපරම් කිරීමට ඇති පාඩුව හෝ ප්‍රමාණවත් දත්ත රැස් කිරීමේ ක්‍රියාවලීන් ඇතුළු විවිධ හේතූන් මත දත්ත අතුරුදහන් විය හැකිය. අධ්‍යයන සොයාගැනීම්වල අඛණ්ඩතාව සහ වලංගුභාවය පවත්වා ගැනීම සඳහා අතුරුදහන් වූ දත්ත ඵලදායී ලෙස ආමන්ත්රණය කිරීම අත්‍යවශ්‍ය වේ.
නැතිවූ දත්ත වර්ග
සංඛ්යානමය ප්රවේශයන් ගැන සොයා බැලීමට පෙර, අතුරුදහන් වූ විවිධ වර්ගයේ දත්ත තේරුම් ගැනීම වැදගත් වේ. මූලික වර්ග තුන වන්නේ:
- අහඹු ලෙස සම්පූර්ණයෙන්ම අතුරුදහන් (MCAR): අතුරුදහන් වීම නිරීක්ෂණය කරන ලද හෝ නිරීක්ෂණය නොකළ විචල්‍යයන් සමඟ සම්බන්ධ නොවේ.
- අහඹු ලෙස අතුරුදහන් (MAR): අතුරුදහන් වීම නිරීක්ෂිත විචල්‍යවලට සම්බන්ධ වන නමුත් නැතිවූ අගයන් සමඟ නොවේ.
- අහඹු ලෙස අතුරුදහන් නොවේ (MNAR): නිරීක්ෂණය කරන ලද විචල්‍යයන් සලකා බැලීමෙන් පසුව පවා, අතුරුදහන් වූ අගයන් අතුරුදහන් වූ අගයන් හා සම්බන්ධ වේ.
නැතිවූ දත්ත හැසිරවීම සඳහා සංඛ්යානමය ප්රවේශයන්
1. සම්පූර්ණ සිද්ධි විශ්ලේෂණය (CCA)
CCA යනු උනන්දුවක් දක්වන සියලුම විචල්‍යයන් සඳහා සම්පූර්ණ දත්ත සහිත අවස්ථා පමණක් භාවිතා කිරීමයි. සරල වුවත්, CCA මගින් වැදගත් නිරීක්ෂණ බැහැර කළ හැකි බැවින්, නැතිවූ දත්ත සම්පූර්ණයෙන්ම අහඹු නොවේ නම්, පක්ෂග්‍රාහී ප්‍රතිඵලවලට මඟ පෑදිය හැක.
2. තනි ආරෝපණ ක්රම
තනි ආරෝපණ ක්‍රමවලට එක් එක් නැතිවූ අගය එක් ආරෝපණය කළ අගයකින් ප්‍රතිස්ථාපනය කිරීම ඇතුළත් වේ. සාමාන්‍ය උපක්‍රම අතර මධ්‍යන්‍ය ආරෝපණය, මධ්‍ය ආරෝපණය සහ ප්‍රතිගාමී ආරෝපණය ඇතුළත් වේ. කෙසේ වෙතත්, මෙම ක්රම මගින් ආරෝපිත අගයන් හා සම්බන්ධ අවිනිශ්චිතතාවය නොසලකා හරින අතර දත්තවල විචල්‍යතාවය අවතක්සේරු කළ හැක.
3. බහු ආරෝපණය (MI)
MI ආරෝපණය කළ දත්ත කට්ටල කිහිපයක් නිර්මාණය කරයි, ආරෝපණය කළ අගයන් හා සම්බන්ධ අවිනිශ්චිතතාවය ඇතුළත් කිරීමට ඉඩ සලසයි. එයට විවිධ ආරෝපිත අගයන් සහිත සම්පූර්ණ දත්ත කට්ටල කිහිපයක් ජනනය කිරීම සහ සමස්ත ඇස්තමේන්තු සහ සම්මත දෝෂ ලබා ගැනීම සඳහා ප්රතිඵල ඒකාබද්ධ කිරීමට පෙර එක් එක් දත්ත කට්ටලය වෙන වෙනම විශ්ලේෂණය කිරීම ඇතුළත් වේ.
4. උපරිම සම්භාවිතා ඇස්තමේන්තු (MLE)
MLE යනු සම්භාවිතා ශ්‍රිතය මත පදනම්ව ආදර්ශ පරාමිතීන් තක්සේරු කරන සංඛ්යානමය ක්‍රමයකි. එය සම්භාවිතා ශ්‍රිතය උපරිම කිරීම, නැතිවූ දත්ත යාන්ත්‍රණය සැලකිල්ලට ගනිමින් සහ අපක්ෂපාතී ඇස්තමේන්තු ලබා ගැනීම සඳහා පවතින සියලුම තොරතුරු ඇතුළත් කිරීම මගින් අතුරුදහන් වූ දත්ත හැසිරවීමට භාවිතා කළ හැක.
5. රටා මිශ්ර ආකෘති
රටා මිශ්ර ආකෘති විවිධ අතුරුදහන් වූ දත්ත යාන්ත්‍රණ ඇතුළත් කිරීමට ඉඩ ලබා දෙන අතර අධ්‍යයන ප්රතිඵල මත අතුරුදහන් වූ දත්තවල බලපෑම අවබෝධ කර ගැනීම සඳහා රාමුවක් සපයයි. මෙම ආකෘති අතුරුදහන් වීමේ යටින් පවතින රටා ග්‍රහණය කර ගන්නා අතර අධ්‍යයන සොයාගැනීම්වල ශක්තිමත් බව තක්සේරු කිරීමට සංවේදීතා විශ්ලේෂණයන්ට ඉඩ සලසයි.
අභියෝග සහ සලකා බැලීම්
COVID-19 සායනික අධ්‍යයනයන්හි අතුරුදහන් වූ දත්ත හැසිරවීම සඳහා සංඛ්යානමය ප්රවේශයන් ක්‍රියාත්මක කිරීමේදී, අභියෝග සහ සලකා බැලීම් කිහිපයක් ආමන්ත්රණය කළ යුතුය:
- අතුරුදහන් වූ දත්ත යාන්ත්‍රණය: සුදුසු සංඛ්යානමය ප්‍රවේශය තෝරා ගැනීම සඳහා අතුරුදහන් වීමේ ස්වභාවය අවබෝධ කර ගැනීම ඉතා වැදගත් වේ.
- සංවේදිතා විශ්ලේෂණ: වලංගු නිගමනවලට එළඹීම සඳහා අස්ථානගත වූ දත්තවල ප්‍රතිඵලවල ශක්තිමත් බව තක්සේරු කිරීම සඳහා සංවේදීතා විශ්ලේෂණ පැවැත්වීම අත්‍යවශ්‍ය වේ.
- පාරදෘශ්‍යභාවය සහ වාර්තා කිරීම: සොයාගැනීම් වල අර්ථකථනය සහ ප්‍රතිනිෂ්පාදනය වැඩි දියුණු කිරීම සඳහා අතුරුදහන් වූ දත්ත හැසිරවීමේ ක්රම සහ අධ්‍යයන ප්රතිඵල මත ඒවායේ බලපෑම විනිවිද පෙනෙන ලෙස වාර්තා කිරීම අවශ්‍ය වේ.
නිගමනය
COVID-19 සායනික අධ්‍යයනයන්හි සොයාගැනීම්වල වලංගුභාවය සහ විශ්වසනීයත්වය සහතික කිරීම සඳහා අතුරුදහන් වූ දත්ත ඵලදායී ලෙස හැසිරවීම වැදගත් වේ. අතුරුදහන් වූ දත්ත විශ්ලේෂණය සහ ජීව සංඛ්‍යාලේඛන තුළ උසස් සංඛ්යානමය ප්රවේශයන් උපයෝගී කර ගැනීමෙන්, පර්යේෂකයන්ට අතුරුදහන් වූ දත්තවල බලපෑම අවම කිරීමට සහ උත්පාදනය කරන ලද සාක්ෂිවල ගුණාත්මක භාවය ඉහළ නැංවිය හැකිය. වසංගතය අඛණ්ඩව විකාශනය වන විට, COVID-19 පිළිබඳ අපගේ අවබෝධය දියුණු කිරීමට සහ සාක්ෂි මත පදනම් වූ මැදිහත්වීම් මඟ පෙන්වීම සඳහා ශක්තිමත් සංඛ්යානමය ක්‍රමවේදවල යෙදීම තීරණාත්මක වනු ඇත.