यादृच्छिक प्रयोग

वैज्ञानिक पद्धति में, यादृच्छिक प्रयोग वे प्रयोग हैं जो उपचार प्रभावों के सांख्यिकीय अनुमानों की सबसे बड़ी विश्वसनीयता और वैधता की अनुमति देते हैं। प्रायोगिक डिजाइन और सर्वेक्षण नमूने में यादृच्छिकीकरण-आधारित अनुमान विशेष रूप से महत्वपूर्ण है।

सिंहावलोकन
प्रयोगों के डिजाइन के सांख्यिकीय सिद्धांत में, यादृच्छिकीकरण में उपचार समूहों में प्रयोगात्मक इकाइयों को यादृच्छिक रूप से आवंटित करना शामिल है। उदाहरण के लिए, यदि कोई प्रयोग एक नई दवा की तुलना एक मानक दवा से करता है, तो रोगियों को यादृच्छिकीकरण का उपयोग करके या तो नई दवा या मानक दवा नियंत्रण आवंटित किया जाना चाहिए।

यादृच्छिक प्रयोग अव्यवस्थित नहीं है. रैंडमाइजेशन अन्य कारकों को बराबर करके पूर्वाग्रह को कम करता है जिन्हें प्रयोगात्मक डिजाइन (बड़ी संख्या के कानून के अनुसार) में स्पष्ट रूप से शामिल नहीं किया गया है। रैंडमाइजेशन भी अज्ञानता पैदा करता है, जो सांख्यिकीय मॉडल-आधारित सांख्यिकीय अनुमान, विशेष रूप से बायेसियन अनुमान या संभावना फ़ंक्शन-आधारित में मूल्यवान हैं। प्रयोगों के डिज़ाइन में, उपचारों की तुलना करने के लिए सबसे सरल डिज़ाइन पूरी तरह से यादृच्छिक डिज़ाइन है। रैंडमाइजेशन पर कुछ प्रतिबंध ब्लॉकिंग (सांख्यिकी) और ऐसे प्रयोगों के साथ हो सकते हैं जिनमें परिवर्तन करने में कठिन कारक होते हैं; यादृच्छिकीकरण पर अतिरिक्त प्रतिबंध तब लग सकते हैं जब पूर्ण यादृच्छिकीकरण संभव नहीं हो या जब चयनित प्रभावों के अनुमानकों के विचरण को कम करना वांछनीय हो।

नैदानिक ​​​​परीक्षणों में उपचार का यादृच्छिकीकरण नैतिक समस्याएं पैदा करता है। कुछ मामलों में, रैंडमाइजेशन चिकित्सक और रोगी दोनों के लिए चिकित्सीय विकल्पों को कम कर देता है, और इसलिए रैंडमाइजेशन के लिए उपचार के संबंध में नैदानिक ​​​​सज्जन की आवश्यकता होती है।

ऑनलाइन यादृच्छिक नियंत्रित प्रयोग
वेब साइटें यादृच्छिक नियंत्रित प्रयोग चला सकती हैं फीडबैक लूप बनाने के लिए। ऑफ़लाइन प्रयोग और ऑनलाइन प्रयोग के बीच मुख्य अंतरों में शामिल हैं:
 * लॉगिंग: उपयोगकर्ता इंटरैक्शन को विश्वसनीय रूप से लॉग किया जा सकता है।
 * उपयोगकर्ताओं की संख्या: अमेज़ॅन, बिंग/माइक्रोसॉफ्ट और Google जैसी बड़ी साइटें प्रयोग चलाती हैं, जिनमें से प्रत्येक में दस लाख से अधिक उपयोगकर्ता हैं।
 * समवर्ती प्रयोगों की संख्या: बड़ी साइटें दसियों ओवरलैपिंग, या समवर्ती, प्रयोग चलाती हैं।
 * रोबोट, चाहे वैध स्रोतों से वेब क्रॉलर हों या दुर्भावनापूर्ण इंटरनेट बॉट।
 * प्रयोगों को कम प्रतिशत से उच्च प्रतिशत तक बढ़ाने की क्षमता।
 * गति/प्रदर्शन का प्रमुख मैट्रिक्स पर महत्वपूर्ण प्रभाव पड़ता है।
 * भिन्नता को कम करने के लिए पूर्व-प्रयोग अवधि को ए/ए परीक्षण के रूप में उपयोग करने की क्षमता।

इतिहास
ऐसा प्रतीत होता है कि पुराने नियम की डेनियल की पुस्तक में एक नियंत्रित प्रयोग का सुझाव दिया गया है। राजा नबूकदनेस्सर ने प्रस्ताव दिया कि कुछ इस्राएली राजा की मेज से दैनिक मात्रा में भोजन और शराब खाएँ। डैनियल ने शाकाहारी भोजन पसंद किया, लेकिन अधिकारी को चिंता थी कि राजा आपको आपकी उम्र के अन्य युवाओं की तुलना में बदतर दिखेंगे? तब तुम्हारे कारण राजा मेरा सिर काटेगा। इसके बाद डैनियल ने निम्नलिखित नियंत्रित प्रयोग का प्रस्ताव रखा: अपने नौकरों का दस दिनों तक परीक्षण करें। हमें खाने के लिए सब्जियाँ और पीने के लिए पानी के अलावा कुछ न दें। फिर हमारी शक्ल की तुलना उन जवानों से करना जो शाही खाना खाते हैं, और जैसा तू देखता है वैसा ही अपने सेवकों से व्यवहार करना। (डैनियल 1, 12-13)। चार्ल्स सैंडर्स पीयर्स|सी द्वारा यादृच्छिक प्रयोगों के आविष्कार के बाद, अठारह सौ के उत्तरार्ध में मनोविज्ञान और शिक्षा में यादृच्छिक प्रयोगों को संस्थागत बनाया गया। एस पीयर्स। मनोविज्ञान और शिक्षा के बाहर, यादृच्छिक प्रयोगों को आर.ए. द्वारा लोकप्रिय बनाया गया। फिशर ने अपनी पुस्तक शोध कर्मियों के लिए सांख्यिकीय पद्धतियां में प्रयोगात्मक डिजाइन के अतिरिक्त सिद्धांतों को भी पेश किया।

सांख्यिकीय व्याख्या
रुबिन कॉसल मॉडल एक यादृच्छिक प्रयोग का वर्णन करने का एक सामान्य तरीका प्रदान करता है। जबकि रुबिन कॉज़ल मॉडल कारण मापदंडों (यानी, किसी परिणाम पर यादृच्छिक उपचार के प्रभाव) को परिभाषित करने के लिए एक रूपरेखा प्रदान करता है, प्रयोगों का विश्लेषण कई रूप ले सकता है। मॉडल मानता है कि अध्ययन में प्रत्येक इकाई के लिए दो संभावित परिणाम हैं: यदि इकाई को उपचार प्राप्त होता है तो परिणाम और यदि इकाई को उपचार नहीं मिलता है तो परिणाम। इन दो संभावित परिणामों के बीच के अंतर को उपचार प्रभाव के रूप में जाना जाता है, जो परिणाम पर उपचार का कारणात्मक प्रभाव है। आमतौर पर, यादृच्छिक प्रयोगों का विश्लेषण एनोवा, छात्र के टी-परीक्षण, प्रतिगमन विश्लेषण, या एक समान सांख्यिकीय परिकल्पना परीक्षण का उपयोग करके किया जाता है। मॉडल संभावित भ्रमित करने वाले कारकों पर भी ध्यान देता है, जो ऐसे कारक हैं जो उपचार और परिणाम दोनों को प्रभावित कर सकते हैं। इन जटिल कारकों को नियंत्रित करके, मॉडल यह सुनिश्चित करने में मदद करता है कि कोई भी देखा गया उपचार प्रभाव वास्तव में कारण है और न केवल अन्य कारकों का परिणाम है जो उपचार और परिणाम दोनों से संबंधित हैं।

रुबिन कॉज़ल मॉडल यह समझने के लिए एक उपयोगी रूपरेखा है कि उपचार के कारण प्रभाव का अनुमान कैसे लगाया जाए, तब भी जब ऐसे भ्रमित करने वाले चर हों जो परिणाम को प्रभावित कर सकते हैं। यह मॉडल निर्दिष्ट करता है कि उपचार का कारण प्रभाव उन परिणामों में अंतर है जो प्रत्येक व्यक्ति के लिए देखा गया होगा यदि उन्हें उपचार प्राप्त हुआ था और यदि उन्हें उपचार नहीं मिला था। व्यवहार में, एक ही व्यक्ति के लिए दोनों संभावित परिणामों का निरीक्षण करना संभव नहीं है, इसलिए प्रयोग से डेटा का उपयोग करके कारण प्रभाव का अनुमान लगाने के लिए सांख्यिकीय तरीकों का उपयोग किया जाता है।

अनुभवजन्य साक्ष्य कि यादृच्छिकीकरण से फर्क पड़ता है
यादृच्छिक और गैर-यादृच्छिक अध्ययन के बीच अनुभवजन्य अंतर, और पर्याप्त और अपर्याप्त रूप से यादृच्छिक परीक्षणों के बीच का पता लगाना मुश्किल हो गया है।

यह भी देखें

 * ए/बी परीक्षण
 * आवंटन रद्दीकरण
 * कोई भी काम
 * यादृच्छिक खण्ड अभिकल्पना
 * यादृच्छिक संगृहीत परीक्षण