آؤٹ لائرز اور مفروضات: نتائج کو کیا متعصب کرتا ہے، اور کیا کیا جائے

رہنما

اس صفحے پر

سائٹ کے تقریباً تمام ٹیسٹ – ہم بستگی، t، ANOVA، ریگریشن – ایک ہی ماڈل، لکیری ماڈل، کی شکلیں ہیں، اس لیے ان کے مفروضات (assumptions) بھی وہی ہیں اور دشمن بھی وہی۔ Field (2024، باب 6) اسے دو سروں والا "تعصب کا عفریت" کہتے ہیں: آؤٹ لائرز اور مفروضات کی خلاف ورزی۔ یہ صفحہ بتاتا ہے کہ ہر سر کس چیز کو نقصان پہنچاتا ہے – کیونکہ سب کچھ یکساں متاثر نہیں ہوتا: خود تخمینہ عموماً ٹھیک رہتا ہے، اور جو ٹوٹتا ہے وہ معیاری خطا ہے اور اس کے ساتھ وقفۂ اعتماد اور ٹیسٹ – مفروضات کو اہمیت کے لحاظ سے ترتیب دیتا ہے (لکیریت پہلے، نارملٹی آخر میں)، دکھاتا ہے کہ گراف اور اعداد میں مسائل کیسے پہچانے جاتے ہیں، اور کیا کیا جائے: مضبوط طریقے، نہ حذف اور نہ نتیجہ متغیر کی ٹرانسفارمیشن۔

1. تعصب کیا ہے – اور ٹھیک ٹھیک کیا متاثر ہوتا ہے

"متعصب" منصف وہ ہے جس کا خلاصہ معروضی حقیقت سے مطابقت نہیں رکھتا؛ اور شماریات میں بھی ایسا ہی ہے – جن پیرامیٹرز کا ہم تخمینہ لگاتے ہیں وہ اپنی حقیقی قدروں سے مختلف ہو سکتے ہیں، اور ٹیسٹ غلطی کر سکتے ہیں (Field, 2024, Section 6.3)۔ اس صفحے کے لیے اہم بات یہ ہے کہ "تعصب" ایک چیز نہیں۔ Field اسے اس کے لحاظ سے الگ کرتے ہیں کہ ماڈل سے کیا چاہیے: اگر تخمینہ لگانا مقصود ہو – غیر متعصب تخمینہ کار وہ ہے جو اوسطاً، نمونوں کے دوران، آبادی کی قدر پر پڑے؛ مستقل تخمینہ کار نمونے کے بڑھنے کے ساتھ اس کی طرف متقارب ہوتا ہے؛ مؤثر تخمینہ کار وہ ہے جس کا تغیر متبادلات میں سب سے کم ہو۔ اگر وقفۂ اعتماد مقصود ہو – تو جو جانچا جاتا ہے وہ احاطہ ہے: 95% کے وقفے کو 95% نمونوں میں آبادی کی قدر شامل کرنی چاہیے، اور اگر نہیں – تو وہ متعصب ہے۔ اور اگر مفروضے کی جانچ مقصود ہو – غیر متعصب ٹیسٹ قسم I کی خطا کی مقررہ شرح (5%) اور قسم II کی خطا کی شرح (20%) کو برقرار رکھتا ہے۔ یہ امتیاز آگے آنے والی ہر بات کی کنجی ہے: زیادہ تر خلاف ورزیاں تخمینے کو درست چھوڑ دیتی ہیں اور معیاری خطا کو نقصان پہنچاتی ہیں – اور اس کے ساتھ وقفۂ اعتماد اور ٹیسٹ کو۔

2. آؤٹ لائرز – پہلا سر

آؤٹ لائر ایسا اسکور ہے جو باقی ڈیٹا سے بہت مختلف ہو۔ Field (2024، سیکشن 6.4) کی مثال ایمیزون پر ان کی کتاب کے پہلے ایڈیشن پر پہلے سات تبصرے ہیں: 2, 5, 4, 5, 5, 5, 5۔ اوسط 4.43؛ پہلے تبصرے کے بغیر – 4.83۔ ایک اسکور نے اوسط کو 0.4 نیچے کھینچ لیا، اور ایک نیا خریدار یہ نتیجہ نکالتا کہ کتاب اس سے بدتر ہے جتنا آبادی سمجھتی ہے۔ پیش گو متغیر (predictor) والے ماڈل میں – بہت شور والا کنسرٹ جس کے بعد کانوں میں نسبتاً کم دیر گھنٹی بجی – آؤٹ لائر نے ریگریشن لائن کو چپٹا کر دیا: ڈھلوان 9.94 سے گر کر 6.01 ہو گئی۔ لیکن Field کا اہم نکتہ یہ ہے کہ آؤٹ لائرز تخمینے کی نسبت خطا کو کہیں زیادہ نقصان پہنچاتے ہیں: پانچ لیکچررز کی مثال میں (1, 3, 4, 3, 2)، 4 کو 10 سے بدلنے سے اوسط 2.6 سے 3.8 پر جاتی ہے، لیکن خطا کے مربعوں کا مجموعہ 5.2 سے 50.8 پر – جس میں سے 38.44 کا ذمہ دار آؤٹ لائر ہے۔ وجہ: خطاؤں کا مربع لیا جاتا ہے، اور بڑا انحراف خود سے ضرب کھاتا ہے۔ اور مربعوں کا مجموعہ ہی وہ چیز ہے جس سے معیاری انحراف، معیاری خطا، وقفۂ اعتماد اور ٹیسٹ کا شماریہ حساب کیے جاتے ہیں۔ ایک آؤٹ لائر – چوڑا وقفۂ اعتماد اور کمزور ٹیسٹ۔

اس کے باوجود، Field دو ٹوک ہیں: آؤٹ لائرز ڈیٹا میں رہتے ہیں، الا یہ کہ ٹھوس ثبوت ہو کہ وہ اس آبادی سے نہیں جس میں ہماری دلچسپی ہے۔ یہ حقیقت کہ کوئی اسکور غیر معمولی ہے اسے حذف کرنے کی وجہ نہیں۔ جو سوال پوچھنا چاہیے وہ ہے کیوں: اگر شور والے کنسرٹ کے بعد گھنٹی کم دیر بجی، اور پتا چلا کہ یہی واحد شخص تھا جس نے کانوں میں ایئر پلگ لگائے تھے – تو یہ وضاحت بھی کرتا ہے اور اسے ایک دوسری آبادی میں بھی منتقل کر دیتا ہے، اور اسے نکالا جا سکتا ہے، بشرطیکہ رپورٹ کیا جائے کہ نکالا گیا اور کیوں؛ اور بہتر ہے کہ نکالنے کے معیار پہلے سے، پیشگی رجسٹریشن میں طے کیے جائیں۔ اور اگر ایسی کوئی وضاحت نہ ہو – تو طے شدہ (default) مفروضہ یہ ہے کہ آؤٹ لائر فطری تغیر (variance) کی عکاسی کرتا ہے، اور ہم اسے رکھنا چاہتے ہیں۔ Field "چالاک آؤٹ لائرز" کے بارے میں ایک تنبیہ کا اضافہ کرتے ہیں (باکس 6.5): کوئی انتہائی اور اکیلا اسکور نہیں، بلکہ بھاری دموں والی ایک چھوٹی ذیلی آبادی جو ایسی تقسیم کے اندر چھپی ہوتی ہے جو کامل گھنٹی نظر آتی ہے – مخلوط نارمل تقسیم (Tukey, 1960, as cited in Field)۔ یہ تغیر کے تخمینے کو پھلا دیتی ہے اور ٹیسٹوں کی شماریاتی قوت کم کر دیتی ہے، اور یہ بہت عام ہے۔

3. مفروضات – اہمیت کی ترتیب میں، اس ترتیب میں نہیں جس میں انہیں پڑھایا جاتا ہے

مفروضہ ایسی شرط ہے جو یقینی بناتی ہے کہ جو ہم کرنے کی کوشش کر رہے ہیں وہ ٹھیک کام کرے (Field, 2024, Section 6.5)۔ شماریاتی طریقۂ کار عموماً اپنے اپنے مفروضات والے الگ الگ ٹیسٹوں کے طور پر پیش کیے جاتے ہیں، لیکن ان میں سے زیادہ تر کم از کم مربعات سے تخمینہ کیے گئے لکیری ماڈل کی شکلیں ہیں، اس لیے ان کے مفروضات کا نظام مشترک ہے۔ Field اسے اہمیت کے لحاظ سے ترتیب دیتے ہیں: (1) لکیریت اور جمعیت؛ (2) خطاؤں کی توقع صفر – تقریباً ہمیشہ پوری ہوتی ہے؛ (3) "کروی خطائیں" – برابر تغیر (ہوموسکیڈاسٹیسٹی) اور آزادی؛ (4) "کسی چیز کی" نارملٹی۔ اور ان کا جدول 6.1 یہ بتاتا ہے کہ ہر مفروضہ کیا دلاتا ہے: لکیریت ہر چیز کے لیے ضروری ہے؛ غیر متعصب تخمینے کے لیے اتنا کافی ہے کہ خطائیں اوسطاً صفر ہوں؛ بہترین تخمینے کے لیے – کروی خطائیں بھی؛ غیر متعصب معیاری خطا کے لیے – کروی خطائیں اور ساتھ خطاؤں کی نارملٹی یا بڑا نمونہ۔ وقفۂ اعتماد اور ٹیسٹ معیاری خطا کے مفروضات ورثے میں پاتے ہیں۔

لکیریت اور جمعیت۔ یہ مفروضہ کہ نتیجہ پیش گو متغیرات (predictors) سے سیدھی لکیر میں جڑا ہے، اور یہ کہ متعدد پیش گو متغیرات مجموعے کی صورت میں عمل کرتے ہیں۔ Field (2024، سیکشن 6.6) اسے سب سے اوپر رکھتے ہیں: اگر یہ غلط ہو تو ماڈل دنیا کو غلط بیان کرتا ہے – چاہے باقی تمام مفروضات پورے ہوں – اور عددی سروں کی تشریح کرنے یا معنویت کی فکر کرنے کا کوئی فائدہ نہیں۔ ان کی تمثیل: بلی کو کتا کہنا۔ آپ اسے کتے کے گھر میں ڈالنے یا اس کی طرف گیند پھینکنے کی کوشش کر سکتے ہیں، لیکن وہ بلی ہی رہے گی۔ ٹیڑھا تعلق جسے سیدھی لکیر سے بیان کیا جائے غلط ماڈل ہے، کسی مسئلے والا ماڈل نہیں۔

ہوموسکیڈاسٹیسٹی (برابر تغیر)۔ ماڈل کے گرد خطاؤں کا بکھراؤ پیش گو متغیر کی تمام قدروں پر یکساں ہوتا ہے – ڈیٹا کا بادل لکیر کے متوازی، قیف کی طرح پھیلتا ہوا نہیں (Field, 2024, Section 6.7.1)۔ جب یہ مفروضہ ٹوٹتا ہے تو عددی سروں کے تخمینے غیر متعصب رہتے ہیں – لیکن معیاری خطائیں، وقفۂ اعتماد اور ٹیسٹ درست نہیں رہتے، اور وقفۂ اعتماد "انتہائی حد تک غلط" ہو سکتے ہیں (Wilcox, 2010, as cited in Field, Section 6.7.2)۔ یعنی: اگر صرف تخمینہ لگانا ہو – تو کوئی بڑی بات نہیں؛ اگر معنویت جانچنی ہو یا وقفۂ اعتماد رپورٹ کرنا ہو – تو اہم ہے، اور حل موجود ہے (سیکشن 6)۔ گروہوں کے موازنے میں اس مفروضے کو تغیرات کی یکسانیت کہا جاتا ہے۔

خطاؤں کی آزادی۔ ایک شریک کی پیش گوئی میں خطا کا کسی دوسرے کی خطا سے کوئی تعلق نہیں۔ Field (2024، سیکشن 6.7.3) کی مثال: Paul اور Julie جو آپس میں مشورہ کرتے ہیں کہ انہوں نے کون سی تصاویر دیکھیں – جوابات، اور اس لیے خطائیں، آزاد نہیں۔ یہ مفروضہ ہمیشہ ٹوٹتا ہے جب انہی ہستیوں سے وقت کے ساتھ ڈیٹا جمع کیا جائے – مکرر پیمائشیں (repeated measures)، طولی مطالعہ – کیونکہ کسی شخص کا ایک وقت کا جواب دوسرے وقت کے اس کے جواب سے ہم بستہ ہوتا ہے؛ اور سائٹ کے حوالے سے یہ تب بھی ٹوٹتا ہے جب شرکاء ایسے گروہوں میں نیسٹڈ (nested) ہوں جو ان پر اثر ڈالتے ہیں (خاندان، بستیاں، جماعتیں)۔ نتائج ہوموسکیڈاسٹیسٹی جیسے ہیں – معیاری خطا غلط – اور حل ایسا ماڈل ہے جو انحصار کو حساب میں لے، عام کم از کم مربعات نہیں۔

4. نارملٹی – سب سے کم اہم مفروضہ، اور سب سے کم سمجھا جانے والا

Field (2024، سیکشن 6.8) اس بات سے آغاز کرتے ہیں کہ یہ مفروضہ شاید شماریات میں سب سے کم سمجھی جانے والی چیز ہے، اور الزام کا کچھ حصہ اپنے سر لیتے ہیں۔ عام غلطی: یہ سمجھنا کہ "نارملٹی کا مفروضہ" یہ کہتا ہے کہ ڈیٹا کی تقسیم نارمل ہونی چاہیے۔ نہیں۔ جسے نارمل ہونا چاہیے وہ ماڈل کی خطائیں ہیں، اور سب سے بڑھ کر – تخمینے کی نمونہ گیری کی تقسیم: معیاری خطا جاننے کے لیے ایک ایسا فارمولا استعمال کیا جاتا ہے جو تب درست ہے جب تخمینے نمونوں کے دوران نارمل طور پر تقسیم ہوں؛ اگر نہیں – تو معیاری خطا، وقفۂ اعتماد اور ٹیسٹ درست نہیں رہتے۔ الجھن اس وجہ سے ہے کہ اگر نتیجہ نارمل ہو تو خطائیں بھی ہوں گی، اس لیے نتیجہ اس چیز کا سوتیلا بیٹا بن جاتا ہے جو اصل میں اہم ہے۔

اور وہ تین وجوہات جن کی بنا پر یہ سب سے کم اہم مفروضہ ہے (Field, 2024, Section 6.8.3): تخمین کاری کو نارملٹی کی ضرورت نہیں – کم از کم مربعات ایسا غیر متعصب تخمینہ دیتے ہیں جو خطا کو کم سے کم کرتا ہے چاہے خطائیں نارمل نہ ہوں؛ نارملٹی اسے صرف "بہترین" بناتی ہے۔ بڑے نمونے میں نارملٹی سے فرق نہیں پڑتا – مرکزی حد کا مسئلہ یقینی بناتا ہے کہ نمونہ گیری کی تقسیم آبادی کی شکل سے قطع نظر نارمل ہوگی۔ اور چھوٹے نمونے میں ماڈل کی باقیات (residuals) جانچی جاتی ہیں: اگر وہ نارمل ہوں تو آگے بڑھا جا سکتا ہے۔ "بڑا" کتنا بڑا ہے؟ عام قدر 30 ہے، لیکن کوئی سادہ جواب نہیں (باکس 6.4): ہلکی دموں والی تقسیموں میں 20 بھی کافی ہے؛ بھاری دموں والی میں – جن میں آؤٹ لائرز عام ہیں – ممکن ہے 100 بلکہ 160 درکار ہوں، اور زیادہ چولگی (skewness) اور کرٹوسس (kurtosis) کے ساتھ – اس سے بھی زیادہ۔ اور یہیں سے Field کا عملی نتیجہ: بڑے نمونے میں، آؤٹ لائرز نارملٹی سے زیادہ فوری فکر ہیں۔

5. جانچ کیسے کی جاتی ہے – اعداد سے پہلے گراف، ٹیسٹوں سے پہلے اعداد

آؤٹ لائرز ڈیٹا میں دیکھے جاتے ہیں؛ مفروضات (assumptions) کی خلاف ورزیاں – ماڈل کی باقیات (residuals) میں، اور پہلے اندازے کے طور پر خود نتیجہ متغیر میں بھی (Field, 2024, Section 6.9)۔ Field کی مثال: ایک میٹل فیسٹیول کے 810 شرکاء کے صفائی کے اسکور، 0 سے 4 کے پیمانے پر، تین دنوں میں۔ سکیٹر پلاٹ، ہسٹوگرام اور باکس پلاٹ سب ایک ایسا کیس دکھاتے ہیں جو باقی سب سے دور ہے – پہلے دن 20.02 کا اسکور، ایسے پیمانے پر جو 4 پر ختم ہوتا ہے۔ اصل ریکارڈ کی طرف واپس جاتے ہیں: 2.02، ٹائپنگ کی غلطی۔ یہ پہلا سبق ہے: آؤٹ لائر سب سے پہلے ڈیٹا کے بارے میں ایک سوال ہے، اور اس کے بعد ہی شماریاتی سوال۔ سائٹ پر: SPSS سے ایکسل تک ان قدروں کے بارے میں خبردار کرتا ہے جو کوڈ بک شیٹ (legend / מקרא) میں متعین وسعت سے باہر ہوں، اور تعددات اور توضیحی شماریات کا کیلکولیٹر ہر متغیر کے لیے کم سے کم، زیادہ سے زیادہ اور ایک چارٹ دکھاتا ہے – آغاز وہیں سے ہوتا ہے۔

معیاری اسکور (باکس 6.6): z اسکورز میں تبدیل کیا جاتا ہے اور اس سے موازنہ کیا جاتا ہے جس کی نارمل تقسیم میں توقع ہوتی ہے – مطلق قدر میں تقریباً 5% 1.96 سے اوپر، 1% 2.58 سے اوپر، اور 3.29 سے اوپر تقریباً کوئی نہیں۔ Field کی مثال میں: 6.8% 1.96 سے اوپر (5% کے مقابلے میں)، 2.3% 2.58 سے اوپر (1% کے مقابلے میں)، 0.8% 3.29 سے اوپر – "تقریباً وہی جس کی توقع ہوتی ہے"۔ باکس پلاٹ آؤٹ لائرز اور انتہائی کیسز کو قطار نمبر کے ساتھ نشان زد کرتا ہے۔ Q-Q گراف ڈیٹا کا نارمل تقسیم کی ترچھی لکیر سے موازنہ کرتا ہے – لکیر پر نقاط: نارمل؛ اوپر کی طرف خم: مثبت چولگی (skewness) (سیکشن 6.9.4-6.9.5)۔ یہ سب – z اسکورز، ہسٹوگرام، Q-Q، معیاری خطاؤں کے ساتھ چولگی اور کرٹوسس (kurtosis)، اور اگلے پیراگراف کے دونوں ٹیسٹ بھی، نمونے کے حجم کے مطابق وزن کے ساتھ – نارملٹی کی جانچ کا کیلکولیٹر پورے نمونے کے لیے یا گروہ وار تیار کرتا ہے۔ چولگی اور کرٹوسس: SPSS ایسی قدریں دیتا ہے جن میں صفر نارمل ہے؛ مثبت چولگی اوسط کو وسطانیہ سے اوپر کھینچ لیتی ہے، اس لیے وسطانیہ سے بڑی اوسط مثبت چولگی کی علامت ہے؛ مثبت کرٹوسس – بھاری دمیں۔ مثال میں: دن 1 متشاکل (چولگی تقریباً صفر)، دن 2-3 میں تقریباً 1 کی چولگی – کم اسکور والے لوگ زیادہ، "فیسٹیول آگے بڑھنے کے ساتھ لوگ زیادہ بدبودار ہوتے گئے"۔

اور نارملٹی کے لیے معنویت کے ٹیسٹ – نہیں۔ Field (باکس 6.7) کولموگوروف-سمرنوف، شاپیرو-ولک اور لیوین کو "زیادہ تر اس لیے شامل کرتے ہیں کہ لوگ انہیں تعارفی کتابوں میں دیکھنے کی توقع رکھتے ہیں، اس لیے نہیں کہ وہ اچھا خیال ہیں": بڑے نمونے میں وہ چھوٹے اور غیر اہم انحرافات پر بھی معنی خیز ہوتے ہیں – بالکل اس وقت جب نارملٹی سے فرق نہیں پڑتا؛ چھوٹے نمونے میں ان میں خلاف ورزیاں پکڑنے کی قوت نہیں ہوتی – بالکل اس وقت جب اس سے فرق پڑتا ہے۔ مثال میں، دن 1 پر K-S (N = 810) تقریباً معنی خیز ہے (p = .097) حالانکہ ہسٹوگرام حیرت انگیز طور پر نارمل ہے۔ مشورہ: بڑے نمونے میں – انہیں استعمال نہ کریں، اور نارملٹی کی فکر ہی نہ کریں؛ چھوٹے نمونے میں – دیکھیں کہ کیا وہ معنی خیز ہیں، اور اگر نہیں تو مطمئن نہ ہو جائیں۔ اور تمام نمونوں کے لیے: گراف بنائیں۔ لکیریت اور ہوموسکیڈاسٹیسٹی ایک ہی گراف میں ساتھ جانچی جاتی ہیں – معیاری شدہ باقیات (standardized residuals) بمقابلہ پیش گوئی شدہ قدریں (شکل 1): یکساں بادل – درست؛ قیف – ہیٹروسکیڈاسٹیسٹی؛ قوس – غیر لکیری۔ ایک پیش گو متغیر کے ساتھ، عام سکیٹر پلاٹ ایک معقول تخمینی قرب ہے۔

اور گمشدہ قدریں، ضمنی طور پر (Field, 2024، ٹپ 6.1): فہرست وار حذف (listwise deletion) کسی شریک کو پورے تجزیے سے نکال دیتا ہے اگر اس کی ایک قدر گمشدہ ہو؛ جوڑی وار حذف (pairwise deletion) اسے صرف ان تجزیوں سے نکالتا ہے جن سے گمشدہ قدر متعلق ہے – سائٹ پر ہم بستگی کا میٹرکس یہی کرتا ہے، اور ہر جوڑے کا N رپورٹ کرتا ہے۔ گمشدہ قدر کو متغیر کی اوسط سے بدلنا – جو SPSS کبھی کبھی پیش کرتا ہے – معیاری انحراف اور معیاری خطا کو سکیڑ دیتا ہے، کیونکہ ہر بدلی گئی قدر کا اوسط سے کوئی فاصلہ نہیں ہوتا، اور بہت سی گمشدہ قدروں کے ساتھ یہ ایسے "معنی خیز" نتائج پیدا کرتا ہے جو تبدیلی کی پیداوار ہیں۔ تفصیل سے – گمشدہ قدریں کے صفحے پر۔

6. کیا کیا جائے – حذف اور ٹرانسفارمیشن کی بجائے مضبوطی

تاریخی راستہ غیر پیرامیٹرک ٹیسٹ تھے، جو اسکورز کو درجوں میں تبدیل کرتے ہیں – اور معلومات کھو دیتے ہیں – اور ڈیزائنوں کی محدود قسموں کا احاطہ کرتے ہیں (Field, 2024, Section 6.10)۔ Field کے بقول آج بہترین راستہ یہ ہے کہ پیرامیٹرز، معیاری خطاؤں، وقفۂ اعتماد اور p کا تخمینہ ایسے طریقوں سے لگایا جائے جو آؤٹ لائرز اور خلاف ورزیوں کی موجودگی میں متعصب نہیں ہوتے – مضبوط طریقے (robust methods):

تراش (trimming): ہر سرے سے ایک مقررہ فیصد ہٹایا جاتا ہے – 5%، 10%، 20% – اور تراشیدہ اوسط کا حساب لگایا جاتا ہے؛ پیمانے کے دوسرے سرے پر وسطانیہ ہے، جو درمیان کے سوا سب کی تراش ہے (سیکشن 6.10.5)۔ معیاری انحرافات کے مطابق تراش ("2.5 معیاری انحرافات سے اوپر سب کچھ ہٹا دیں") برا خیال ہے (باکس 6.8): اوسط اور معیاری انحراف خود آؤٹ لائرز سے پھولے ہوئے ہوتے ہیں، اس لیے آؤٹ لائرز اسی معیار کو متعصب کر دیتے ہیں جسے ان سے نمٹنا ہے – Field کی مثال میں اس اصول نے 0-10 کے پیمانے پر کوئی اسکور نہیں ہٹایا، کیونکہ حد پیمانے کی حدود سے باہر نکل گئی۔ ونزرائزیشن (winsorization): ہٹانے کی بجائے، حد سے باہر کے اسکورز کو حد کی قدر سے بدل دیا جاتا ہے (سیکشن 6.10.6)۔ دھوکا لگتا ہے؟ Field: اگر اسکور نمونے کی نمائندگی نہیں کرتا اور ماڈل کو متعصب کرتا ہے، تو یہ متعصب ماڈل رپورٹ کرنے سے بہتر ہے۔ دھوکا یہ ہے کہ انتہائی قدروں سے تب نہ نمٹا جائے جب وہ مفروضے کے حق میں تعصب پیدا کر رہی ہوں، یا تعصب کم کرنے کے علاوہ کسی اور وجہ سے اسکورز کو منظم طور پر بدلا جائے۔ ہیٹروسکیڈاسٹیسٹی کے مقابل مستقل معیاری خطائیں (HC3 یا HC4): معیاری خطا کا تخمینہ برابر تغیر فرض کیے بغیر باقیات سے لگایا جاتا ہے (سیکشن 6.10.7)۔ Bootstrap: نمونے کو آبادی سمجھا جاتا ہے، اس سے واپسی کے ساتھ 1,000-2,000 بار نمونے لیے جاتے ہیں، ہر نمونے میں تخمینے کا حساب لگایا جاتا ہے، اور تخمینوں کی تقسیم سے وقفۂ اعتماد (فیصدیہ (percentile)) اور معیاری خطا اخذ کی جاتی ہے – نمونہ گیری کی تقسیم کی شکل کے بارے میں کچھ فرض کیے بغیر (Efron & Tibshirani, 1993; Field, 2024, Section 6.10.8)۔ SPSS میں زیادہ تر طریقۂ کار میں اس کا بٹن ہوتا ہے؛ Field نوٹ کرتے ہیں کہ ہر رن میں نتائج تھوڑے مختلف ہوتے ہیں کیونکہ نمونہ گیری تصادفی ہے – جبکہ سائٹ پر bootstrap مقررہ سیڈ کے ساتھ چلتا ہے، اس لیے ایک ہی ان پٹ ہمیشہ وہی وقفہ دیتا ہے (دیکھیں کوڈرز کے درمیان اعتباریت)۔

اور نتیجہ متغیر کی ٹرانسفارمیشن نہ کریں (Field, 2024، سیکشن 6.10.3 – "ایسا نہ کریں")۔ نتیجہ متغیر کو "نارمل بنانے" کے لیے لوگارتھم یا جذر: بڑے نمونے میں نارملٹی اہم نہیں، ہیٹروسکیڈاسٹیسٹی کے مضبوط حل موجود ہیں، اور ٹرانسفارمیشن نئے مسائل پیدا کرتی ہے۔ Field، Glass اور دیگر (1972) کا حوالہ دیتے ہیں: نارمل بنانے والی ٹرانسفارمیشنز کا فائدہ "کم ہے، اور شاذ و نادر ہی وہ محنت کے قابل ہوتی ہیں"، اور Games (1984) کے چار نکات: تقریباً 30 سے بڑے نمونے میں نمونہ گیری کی تقسیم ویسے بھی نارمل ہوتی ہے؛ ٹرانسفارمیشن مفروضے کو بدل دیتی ہے – لوگارتھم ہندسی اوسطوں کا موازنہ کرتا ہے، حسابی کا نہیں، اور اس سے مختلف تصور ناپتا ہے جو ناپا گیا تھا؛ چھوٹے نمونے میں نارملٹی کا فیصلہ مشکل ہے؛ اور "غلط" ٹرانسفارمیشن خام ڈیٹا کے تجزیے سے زیادہ نقصان دہ ہو سکتی ہے۔ واحد استثنا: ٹیڑھے تعلق کو "سیدھا کرنا" – پیش گو متغیر کی ٹرانسفارمیشن تاکہ لکیری ماڈل تعلق کو درست بیان کرے – اور یہ لکیریت کا مفروضہ ہے، جو سب سے اہم ہے۔

7. رپورٹ کیسے کی جاتی ہے

آؤٹ لائرز اور مفروضات سے نمٹنا طریقۂ کار کے باب یا نتائج کے آغاز کا حصہ ہے، اور اسے فیصلوں کے طور پر رپورٹ کیا جاتا ہے، صفائیوں کے طور پر نہیں: کون سی جانچیں کی گئیں (گراف، معیاری اسکور، چولگی (skewness) اور کرٹوسس (kurtosis) – صرف "ڈیٹا کی تقسیم نارمل تھی" نہیں)؛ کتنے کیسز نکالے گئے، کس معیار کے مطابق، کیا یہ پہلے سے طے تھا، اور ان کے ساتھ اور ان کے بغیر نتیجہ کیا ہے؛ کون سا مضبوط طریقہ لاگو کیا گیا – "وقفۂ اعتماد کا حساب فیصدیہ (percentile) bootstrap سے کیا گیا، 2,000 نمونے" یا "HC3 معیاری خطائیں" – اور کیوں؛ اور اگر مکرر پیمائشیں ہوں – تو کس ماڈل نے انحصار کو حساب میں لیا۔ ایسا نتیجہ جو ایک کیس نکالنے سے بنیادی طور پر بدل گیا، بذاتِ خود ایک دریافت ہے، اور اسے رپورٹ کیا جاتا ہے۔ Field یاد دلاتے ہیں (سیکشن 6.10.6 کا حاشیہ) کہ آؤٹ لائرز بذاتِ خود دلچسپ ہیں: اگر وہ آبادی کی نمائندگی نہیں کرتے، تو یہ سوال کہ وہ مختلف کیوں ہیں اگلی تحقیق کا موضوع ہو سکتا ہے۔

عام غلطیاں

"ڈیٹا کی تقسیم لازماً نارمل ہونی چاہیے۔" ڈیٹا نہیں – خطائیں، اور سب سے بڑھ کر نمونہ گیری کی تقسیم؛ اور بڑے نمونے میں یہ بھی نہیں۔ "غیر نارمل" دو قدری (binary) پیش گو متغیر بالکل کوئی مسئلہ نہیں۔

800 شرکاء پر K-S۔ یہ تقریباً کامل تقسیم پر بھی معنی خیز ہوگا، اور آپ کو وہ ٹھیک کرنے بھیج دے گا جو ٹوٹا ہی نہیں۔ بڑے نمونے میں – صرف گراف۔

آؤٹ لائر کو اس لیے حذف کرنا کہ وہ "خراب کرتا ہے"۔ آؤٹ لائر رہتا ہے الا یہ کہ ثابت ہو جائے کہ وہ آبادی سے نہیں۔ ثبوت ایک وجہ ہے (ایئر پلگ، ٹائپنگ کی غلطی)، اوسط سے فاصلہ نہیں۔

معیاری انحرافات کے مطابق تراش۔ معیار کا حساب اوسط اور معیاری انحراف سے کیا جاتا ہے – اور دونوں انہی آؤٹ لائرز سے پھولے ہوئے ہیں جن سے نمٹنا مقصود ہے۔ تراش فیصد کے مطابق کی جاتی ہے۔

نتیجہ متغیر پر لوگارتھم "نارمل بنانے کے لیے"۔ یہ مفروضے اور ناپے گئے تصور کو بدل دیتا ہے، اور عموماً محنت کے قابل نہیں۔ ٹرانسفارمیشن پیش گو متغیر کو سیدھا کرنے کے لیے مخصوص ہے۔

نارملٹی جانچنا اور لکیریت کو بھول جانا۔ وہ مفروضہ جس سے بڑھ کر کوئی نہیں۔ باقیات کے گراف میں قوس – ماڈل غلط ہے، اور نارملٹی کی کوئی تصحیح مدد نہیں کرے گی۔

گمشدہ قدروں کو اوسط سے بدلنا۔ معیاری خطا کو سکیڑ دیتا ہے اور مصنوعی معنویت پیدا کرتا ہے۔ جوڑی وار حذف (pairwise deletion)، یا ماڈل پر مبنی تکمیل کے طریقے – گمشدہ قدریں کے صفحے پر۔

مکرر پیمائشوں پر آزاد نمونوں کا t۔ وہی لوگ دو بار – خطائیں منحصر ہیں، معیاری خطا غلط ہے۔ جوڑی دار نمونوں کا ٹیسٹ یا مکرر پیمائشوں کا ماڈل۔

جانچ کی فہرست – ٹیسٹ چلانے سے پہلے

حوالہ جات

Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall. https://doi.org/10.1007/978-1-4899-4541-9

Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE.