தரவு பகுப்பாய்வு மற்றும் புள்ளியியல் சரிபார்ப்பு

ஆதாயங்கள்:

• தரவின் வகை மற்றும் விநியோகத்திற்கு பொருத்தமான சோதனையைத் தேர்ந்தெடுக்கும் திறன் மற்றும் அனுமானங்களைச் சரிபார்க்கவும் (இயல்பு, மாறுபாடு)
• p-மதிப்பின் உண்மையான அர்த்தத்தைப் புரிந்துகொண்டு, விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளியுடன் முடிவுகளைப் புகாரளிக்கும் திறன்
• கண்டுபிடிப்பு-சரிபார்ப்பு பிரிப்பு, பல ஒப்பீடு திருத்தம் மற்றும் முழு அறிக்கையிடல் மூலம் p-ஹேக்கிங்கிலிருந்து பாதுகாப்பு

சோதனை முடிந்துவிட்டது, தரவு உள்ளது. இப்போது நாம் மிகவும் முக்கியமான மற்றும் மிகவும் தவறான கட்டத்தில் இருக்கிறோம்: தரவை சரியாக பகுப்பாய்வு செய்தல் மற்றும் முடிவுகளை நேர்மையாக விளக்குவது. உயிரியல் தரவு பெரும்பாலும் சத்தம், நிலையற்ற மற்றும் பன்முகத்தன்மை கொண்டது. தவறான சோதனைத் தேர்வு, மறைமுகமான அனுமான மீறல்கள் மற்றும் சுயநினைவற்ற p-ஹேக்கிங் (விரும்பிய முடிவைக் கொடுக்கும் வரை ஒரு பகுப்பாய்வை முயற்சித்தல்) ஆகியவை வெளியிடப்பட்ட உயிரியல் இலக்கியத்தில் மறுஉற்பத்தி நெருக்கடிக்கான முதன்மைக் காரணங்களாகும். சரியான சோதனையைத் தேர்வுசெய்யவும், அனுமானங்களைச் சரிபார்க்கவும் மற்றும் பகுப்பாய்வுக் குறியீட்டை எழுதவும் AI உங்களுக்கு உதவுகிறது; ஆனால் புள்ளிவிவர ஒருமைப்பாடு உங்கள் பொறுப்பு.

இந்த யூனிட்டில், பொதுவான புள்ளியியல் சோதனைகள், அனுமான சோதனைகள் மற்றும் p-ஹேக்கிங்கிலிருந்து உங்களைப் பாதுகாத்துக் கொள்வதற்கான வழிகளை நாங்கள் உள்ளடக்குவோம்.

சரியான சோதனையைத் தேர்ந்தெடுப்பது

சோதனையின் தேர்வு தரவு வகை மற்றும் விநியோகத்தைப் பொறுத்தது. செயற்கை நுண்ணறிவு இந்தத் தேர்வைச் செய்ய உங்களுக்கு உதவும், ஆனால் நீங்கள் அதை கண்மூடித்தனமாகப் பயன்படுத்தக்கூடாது:

• இரண்டு குழுக்கள், தொடர்ச்சியான தரவு, சாதாரண விநியோகம்: சுயாதீன டி-டெஸ்ட்.
• இரண்டு குழுக்கள், இயல்பானவை அல்ல: மான்-விட்னி யு (அளவுரு அல்லாத: விநியோக அனுமானம் தேவையில்லை).
• இரண்டுக்கும் மேற்பட்ட குழுக்கள்: ANOVA (மாறுபாட்டின் பகுப்பாய்வு) + பிந்தைய தற்காலிக சோதனை.
• வகை தரவு (எண்ணிக்கைகள்): சி-சதுரம் அல்லது ஃபிஷர் துல்லியமான சோதனை.
• உறவுமுறை: தொடர்பு (பியர்சன்/ஸ்பியர்மேன்) அல்லது பின்னடைவு.

உதவிக்குறிப்பு: சோதனையைத் தேர்ந்தெடுக்கும் முன் தரவைக் காட்சிப்படுத்தவும். ஒரு ஹிஸ்டோகிராம் அல்லது பாக்ஸ் ப்ளாட், டி-டெஸ்டுக்குத் தேவைப்படும் இயல்பான தன்மை மற்றும் வெளிப்புறங்களை உடனடியாகக் காட்டுகிறது. "முதலில் வரைபடம், பின்னர் சோதனை" என்பது ஒரு நல்ல பழக்கம்.

அனுமானங்களைச் சரிபார்க்கிறது

ஒவ்வொரு சோதனையும் மறைக்கப்பட்ட அனுமானங்களைக் கொண்டுள்ளது. டி-டெஸ்ட் சாதாரண விநியோகம் மற்றும் மாறுபாட்டின் சமத்துவத்தை எடுத்துக்கொள்கிறது; இவற்றை மீறினால், விளைவு தவறானதாக இருக்கும். AI இந்த அனுமானங்களைச் சரிபார்க்கும் குறியீட்டை எழுதுகிறது:

பங்கு: நீங்கள் உயிரியல் புள்ளியியல் உதவியாளர். பணி: இரண்டு குழுக்களின் தரவுகளை ஒப்பிடும் முன் டி-டெஸ்டின் அனுமானங்களைச் சரிபார்க்கும் குறியீட்டை எழுதவும்: இயல்பான தன்மை (ஷாபிரோ-வில்க்), மாறுபாட்டின் சமத்துவம் (லெவன்). அனுமானம் மீறப்பட்டால், நான் எந்த மாற்று சோதனைக்கு செல்ல வேண்டும் என்று சொல்லுங்கள். கருத்துகளுடன் பைதான் குறியீட்டை வழங்கவும்.

இயல்புநிலை மீறப்பட்டால் குறியீடு உங்களை மான்-விட்னிக்கு திருப்பிவிடும். இந்த "முதலில் சரிபார்த்து, பின்னர் முடிவு செய்" ஓட்டம் தவறான சோதனையைச் செய்வதிலிருந்து உங்களைத் தடுக்கிறது.

p-ஹேக்கிங் மற்றும் உங்களை எவ்வாறு பாதுகாத்துக் கொள்வது

p-hacking என்பது p<0.05 வரை வெவ்வேறு வழிகளில் தரவை பகுப்பாய்வு செய்வதாகும்: வெவ்வேறு சோதனைகளை முயற்சிப்பது, வெளிப்புறங்களைத் தேர்ந்தெடுத்து நிராகரிப்பது, குழுக்களைச் சேர்ப்பது/அகற்றுவது, அதிக எண்ணிக்கையிலான மாறிகளில் "குறிப்பிடத்தக்கது" என்ன என்பதைப் புகாரளித்தல். போலி கண்டுபிடிப்புகளின் முக்கிய ஆதாரம் இதுதான். பாதுகாப்பு முறைகள்:

1. பகுப்பாய்வு திட்டத்தை முன்கூட்டியே சரிசெய்யவும் (அலகு 7).
2. முக்கியத்துவத்தைக் காட்டும் சோதனைகள் மட்டுமின்றி, அனைத்து சோதனைகளையும் தெரிவிக்கவும்.
3. பல ஒப்பீடுகளை சரிசெய்யவும் (FDR/Bonferroni).
4. p-மதிப்புக்கு அடுத்ததாக விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளியைக் கொடுங்கள்.
5. தனித்தனி கண்டுபிடிப்பு மற்றும் சரிபார்ப்பு: ஒரு சுயாதீன தொகுப்பில் கண்டுபிடிப்பு தொகுப்பில் நீங்கள் கண்டதை சோதிக்கவும்.

படிப்படியாக: ஒரு நேர்மையான பகுப்பாய்வு

1. தரவைக் காட்சிப்படுத்தவும் (சிதறல், புறம்போக்கு).
2. அனுமானங்களைச் சரிபார்க்கவும்.
3. நீங்கள் முன்னரே தீர்மானித்த சோதனையைச் செய்யுங்கள்.
4. பல ஒப்பீடுகளை சரிசெய்யவும்.
5. அறிக்கை விளைவு அளவு + நம்பிக்கை இடைவெளி.
6. வரம்புகளை தெளிவாக எழுதுங்கள்.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

செயல்திறனைக் காட்சிப்படுத்துங்கள்: ஒவ்வொரு குழுவிற்கும் ப்ளாட் ஹிஸ்டோகிராம்கள் மற்றும் பாக்ஸ் ப்ளாட்கள், கொடி அவுட்லையர்கள். பின்னர் இயல்புநிலையை விளக்கவும்.தரவு நெடுவரிசைகள்: [பெயர்]. கருத்துகளுடன் பைதான் குறியீட்டை வழங்கவும்.

எனது இரு குழுக்களையும் ஒப்பிட விரும்புகிறேன். தரவின் சிறப்பியல்புகள்: [வகை, N, விநியோகம்]. எந்த சோதனை பொருத்தமானது? அனுமானங்களைச் சரிபார்க்கவும், சோதனை செய்யவும், விளைவு அளவு அறிக்கை செய்யவும் மற்றும் p-மதிப்புடன் 95% நம்பிக்கை இடைவெளி.

எனது பகுப்பாய்வில் 15 வெவ்வேறு மரபணுக்களை சோதித்தேன். Bonferroni மற்றும் Benjamini-Hochberg திருத்தத்திற்குப் பொருந்தும் குறியீட்டைக் கொடுத்து, இரண்டு முறைகளுக்கும் இடையே உள்ள வேறுபாட்டை விளக்குங்கள்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனம்: "இந்த இரண்டு குழுக்களும் வேறுபட்டதா, டி-டெஸ்ட் செய்யுங்கள்."

வலிமையானது: "என்னிடம் இரண்டு குழுக்கள் உள்ளன (கட்டுப்பாடு n=18, சிகிச்சை n=20), சார்பு மாறி என்சைம் செயல்பாடு (தொடர்ச்சி). முதலில் விநியோகம் மற்றும் ஷாபிரோ-வில்க் மூலம் இயல்பான நிலையைப் பார்க்கவும். சாதாரணமாக இருந்தால், t-test, இல்லையெனில், Mann-Whitney ஐப் பயன்படுத்தவும். p-மதிப்பு, விளைவு % அல்லது 9 நம்பகத்தன்மையுடன் முடிவைப் புகாரளிக்கவும். நீங்கள் எந்த சோதனையை தேர்ந்தெடுத்தீர்கள், ஏன் என்பதை விளக்குங்கள்.

வேறுபாடு: சக்திவாய்ந்த வரியில் தரவு வகை, மாதிரி எண்கள், அனுமான சோதனை மற்றும் முழு அறிக்கையிடல் கோரிக்கை உள்ளது. டி-டெஸ்ட்டை கண்மூடித்தனமாகப் பயன்படுத்துவதற்குப் பதிலாக மாடல் சரியான பாதையைப் பின்பற்றுகிறது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 — தவறான சோதனை: ஒரு மாணவர் கணிசமாக வளைந்த (இயல்பற்ற) தரவுகளுக்கு t-டெஸ்ட்டைப் பயன்படுத்தினார், மேலும் p=0.048 எனக் கண்டறியப்பட்டது. செயற்கை நுண்ணறிவு இயல்பான சரிபார்ப்பைச் சேர்த்தபோது, ​​தரவு சாதாரணமாக வெளிவரவில்லை; மான்-விட்னியுடன், ப=0.11. உண்மையான முடிவு அர்த்தமற்றது. பாடம்: அனுமானத்தை சரிபார்க்காமல் சோதனை செய்வது தவறானது.

வழக்கு 2 — தேர்ந்தெடுக்கப்பட்ட அவுட்லியர் நிராகரிப்பு: ஒரு ஆராய்ச்சியாளர் முடிவை அர்த்தமுள்ளதாக்க இரண்டு "அவுட்லியர்" புள்ளிகளை நீக்கினார். அவுட்லியர் நிராகரிப்பு முன் வரையறுக்கப்பட்ட விதியின் அடிப்படையில் (எ.கா., IQR முறை) மற்றும் புகாரளிக்கப்பட வேண்டும் என்பதை மாதிரி வலியுறுத்தியது; தன்னிச்சையான நீக்கம் p-hacking ஆகும். பாடம்: வெளிப்புற விதியை முன்கூட்டியே அமைக்கவும்.

வழக்கு 3 — விளைவு அளவு மீட்பு: ஒரு ஆய்வில் p=0.001 இருந்தது ஆனால் விளைவு அளவு (d=0.1) கிட்டத்தட்ட பூஜ்ஜியமாக இருந்தது; பெரிய மாதிரி சிறிய வித்தியாசத்தை குறிப்பிடத்தக்கதாகக் காட்டியது. செயற்கை நுண்ணறிவு விளைவு அளவைப் புகாரளித்தபோது, ​​​​கண்டுபிடிப்பு நடைமுறை மதிப்பைக் கொண்டிருக்கவில்லை. பாடம்: p சிறியதாக இருப்பதால் முக்கியமில்லை.

ஒப்பீட்டு விளக்கப்படம்

நிலை

சரியான அணுகுமுறை

தவிர்க்க வேண்டும்

அசாதாரண தரவு

அளவுரு அல்லாத சோதனை

கட்டாய டி-டெஸ்ட்

பல சோதனை

திருத்தம் விண்ணப்பிக்கவும்

கச்சா ப <0.05

வெளிப்புற

முன் வரையறுக்கப்பட்ட விதி

தன்னிச்சையான நீக்கம்

குறிப்பிடத்தக்க முடிவு

விளைவு அளவு + CI

வெறும் ப

கண்டுபிடிப்பு கண்டுபிடிப்பு

சுயாதீன தொகுப்பில் சரிபார்க்கவும்

ஒரு தொகுப்பில் முடிக்கவும்

பொதுவான தவறுகள்

• கருதுகோள் கட்டுப்பாடற்ற சோதனை: தவறான சோதனையுடன் போலி முக்கியத்துவம்.
• பி-ஹேக்கிங்: விரும்பிய முடிவைக் கொடுக்கும் வரை பகுப்பாய்வு முயற்சி.
• p-மதிப்பை மட்டும் அறிக்கையிடுதல்: விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளியைத் தவிர்க்கிறது.
• பல ஒப்பீடுகளை சரி செய்யவில்லை: தவறான நேர்மறைகள்.
• காரண குதித்தல்: தொடர்பு இருந்து காரணத்தை ஊகித்தல்.

எச்சரிக்கை: AI நீங்கள் விரும்பும் முடிவை "உருவாக்காது", ஆனால் தவறாக வழிநடத்தப்பட்டால் தவறான சோதனைக்கான குறியீட்டை மகிழ்ச்சியுடன் எழுதும். உங்களிடம் புள்ளிவிவர ஒருமைப்பாடு உள்ளது: அனைத்து சோதனைகளையும் புகாரளிக்கவும், பகுப்பாய்வை முன்கூட்டியே திட்டமிடவும், விளைவு அளவை தவறவிடாதீர்கள். வெளியீட்டிற்கு வழிவகுக்கும் பகுப்பாய்வுகளுக்கு உயிரியல் புள்ளியியல் நிபுணருடன் இணைந்து பணியாற்றுங்கள்.

p-மதிப்பின் உண்மையான பொருள்

உயிரியலில் மிகவும் தவறாகப் புரிந்து கொள்ளப்பட்ட கருத்து p-மதிப்பு ஆகும். p-மதிப்பு என்பது "கருதுகோள் உண்மையாக இருப்பதற்கான நிகழ்தகவு" அல்ல; இது "உண்மையில் எந்த வித்தியாசமும் இல்லாதபோது, ​​நீங்கள் கவனிப்பதை விட பெரியதாகவோ அல்லது அதிகமாகவோ வேறுபாட்டைக் காண்பதற்கான நிகழ்தகவு." இந்த நுட்பமான ஆனால் முக்கியமான வேறுபாடு முடிவுகளை மிகைப்படுத்தாமல் இருப்பதற்கு முக்கியமாகும். p=0.03 என்பதன் அர்த்தம் "விளைவு 97% உண்மையானது". AI ஒரு முடிவைப் புரிந்துகொள்ளும்போது, ​​​​அது இந்த வரையறையை சரியாகப் பயன்படுத்துகிறதா என்பதைச் சரிபார்க்கவும்; மாதிரி சில நேரங்களில் பொதுவான தவறான விளக்கத்தை மீண்டும் செய்யலாம்.

நம்பக இடைவெளி (CI) பெரும்பாலும் p-மதிப்பைக் காட்டிலும் அதிக தகவல் தருகிறது, ஏனெனில் அது விளைவின் அளவு மற்றும் நிச்சயமற்ற தன்மையை ஒன்றாகக் காட்டுகிறது. “வேறுபாடு 2.4 மடங்கு (95% CI: 1.8-3.1)” என்பது “p<0.05” ஐ விட அதிகமாக கூறுகிறது: விளைவின் திசை, அதன் அளவு மற்றும் எவ்வளவு துல்லியமாக அளவிடப்பட்டது. உங்கள் அறிக்கைகளில் GA ஐ முன்னிலைப்படுத்தவும்.

எனது முடிவை விளக்கும்போது p-மதிப்பின் சரியான வரையறையைப் பயன்படுத்தவும். "விளைவின் நிகழ்தகவு உண்மை" போன்ற தவறான அறிக்கைகளைத் தவிர்க்கவும். மாறாக, விளைவு அளவு மற்றும் 95% நம்பிக்கை இடைவெளியின் அடிப்படையில் நடைமுறை அர்த்தத்தை விளக்கவும். முடிவு: [தரவு]

தொடர்பு, காரணம் மற்றும் அவதானிப்பு தரவு

பெரும்பாலான உயிரியல் தரவுகள் அவதானிக்கக்கூடியவை: வேறொன்றுடன் ஏதாவது மாறுவதை நீங்கள் காண்கிறீர்கள், ஆனால் எதனால் ஏற்படுகிறது என்பதை உங்களால் பார்க்க முடியாது. "எக்ஸ் மரபணுவின் வெளிப்பாடு நோயுடன் தொடர்புடையது" என்ற வாக்கியம் X நோயை ஏற்படுத்துகிறது என்பதைக் குறிக்கவில்லை; நோய் X ஐ அதிகரிக்கலாம் அல்லது மூன்றாவது காரணி இரண்டையும் பாதிக்கலாம். தலையீட்டு பரிசோதனை மூலம் மட்டுமே காரணத்தை நிறுவ முடியும் (எக்ஸ் மாற்றுதல் மற்றும் முடிவை அளவிடுதல்). AI அறியாமலே உங்கள் உரைகளில் காரண மொழியை (“காரணங்கள்,” “வழிகாட்டுகிறது”) பயன்படுத்தலாம்; இந்த கண்ணோட்டத்தில் ஒவ்வொரு முடிவு வாக்கியத்தையும் மதிப்பாய்வு செய்யவும், அவதானிப்பு கண்டுபிடிப்புகளை தொடர்பு மொழியில் வெளிப்படுத்துகிறது ("தொடர்புடையது," "ஒன்றாக மாறுபடும்").

இணைக்கப்பட்ட மற்றும் சுயாதீனமான தரவைப் பிரித்தல்

சோதனைத் தேர்வில் அடிக்கடி கவனிக்கப்படாத வேறுபாடு, மாதிரிகள் சுயாதீனமானதா அல்லது ஜோடியா என்பதுதான். ஒரே நபரிடமிருந்து அளவீடுகளுக்கு முன்னும் பின்னும் நீங்கள் எடுத்துக் கொண்டால் (எடுத்துக்காட்டாக, சிகிச்சைக்கு முன்னும் பின்னும் அதே நோயாளிகளின் இரத்த மதிப்புகள்), இந்த அளவீடுகள் சுயாதீனமானவை அல்ல; ஒரு ஜோடி சோதனை தேவை. இங்கே சுயாதீனமான இரண்டு மாதிரி t-சோதனையைப் பயன்படுத்துவது, தரவில் உள்ள பொருத்தத் தகவலை நிராகரித்து, சக்தியைக் குறைக்கிறது; இது முடிவை மாற்றவும் கூடும். விதி எளிதானது: "இந்த இரண்டு அளவீடுகளும் ஒரே உயிரியல் அலகிலிருந்து வருகின்றனவா?" பதில் ஆம் எனில், இணைக்கப்பட்ட சோதனை (ஜோடியான டி-டெஸ்ட் அல்லது வில்காக்சன் கையொப்பமிட்ட தரவரிசை சோதனை) பயன்படுத்தப்படும், இல்லை என்றால், சுயாதீன சோதனை பயன்படுத்தப்படும். சோதனைகளுக்கு செயற்கை நுண்ணறிவைக் கேட்கும்போது, ​​உங்கள் தரவின் பொருத்த அமைப்பைக் குறிப்பிடுவதை உறுதிப்படுத்திக் கொள்ளுங்கள்; நீங்கள் குறிப்பிடவில்லை என்றால், மாதிரி பெரும்பாலும் சுதந்திரத்தை எடுத்துக்கொள்கிறது மற்றும் தவறான சோதனையை பரிந்துரைக்கிறது.

என்னிடம் இரண்டு செட் அளவீடுகள் உள்ளன. முக்கியமானது: இந்த அளவீடுகள் ஒரே நபர்களுக்கு முன்/பின்னர் (ஜோடியாக) எடுக்கப்பட்டது. இந்த பொருத்தத்தை (ஜோடி செய்யப்பட்ட t-test அல்லது Wilcoxon) கணக்கில் எடுத்துக்கொள்ளும் சரியான சோதனையைத் தேர்வு செய்யவும், உங்கள் அனுமானங்களைச் சரிபார்த்து, விளைவு அளவுடன் அறிக்கை செய்யவும். சுதந்திரம் என்று நினைக்க வேண்டாம்.

சுருக்கமாக

துல்லியமான தரவு பகுப்பாய்வு; தரவு வகைக்கான பொருத்தமான சோதனையைத் தேர்வுசெய்தல், அனுமானங்களைச் சரிபார்த்தல், பல ஒப்பீடுகளைச் சரிசெய்தல் மற்றும் p-மதிப்புடன் கூடுதலாக விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளியைப் புகாரளித்தல். மிகப்பெரிய ஆபத்து p-ஹேக்கிங்; மாற்று மருந்து என்பது முன்கூட்டியே பகுப்பாய்வுத் திட்டம், முழு அறிக்கையிடல் மற்றும் கண்டுபிடிப்பு-சரிபார்ப்பு பிரிப்பு ஆகும். செயற்கை நுண்ணறிவு சோதனைத் தேர்வு மற்றும் அனுமானச் சரிபார்ப்பில் ஒரு சக்திவாய்ந்த உதவியாகும், ஆனால் புள்ளிவிவர ஒருமைப்பாடு மனிதனிடம் உள்ளது.

விண்ணப்ப பணி

இரண்டு குழுக்களுடன் தரவு தொகுப்பை (உங்கள் சொந்த தரவு அல்லது மாதிரி) எடுக்கவும். முதலில் AI எழுதும் குறியீட்டை வைத்திருங்கள், இது தரவைக் காட்சிப்படுத்துகிறது மற்றும் இயல்புநிலைக்கான சோதனைகள். முடிவைப் பொறுத்து, பொருத்தமான சோதனையைப் பயன்படுத்தவும் (t-test அல்லது Mann-Whitney) மற்றும் விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளியை p-மதிப்புடன் தெரிவிக்கவும். பின்னர் பல ஒப்பீடுகளின் விளைவைத் திருத்தம் செய்யாமல் மற்றும் முடிவின் திருத்தத்துடன் ஒப்பிடவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் சோதனைக்கு முன் தரவை காட்சிப்படுத்தினேன்.
• [ ] நான் சோதனை அனுமானங்களை (இயல்பு, மாறுபாடு) சரிபார்த்தேன்.
• [ ] நான் பொருத்தமான சோதனையைத் தேர்ந்தெடுத்தேன், நான் டி-டெஸ்ட்டை கண்மூடித்தனமாகப் பயன்படுத்தவில்லை.
• [ ] நான் பல ஒப்பீடுகளை சரி செய்தேன்.
• நான் [ ] p-மதிப்பு மற்றும் விளைவு அளவு மற்றும் நம்பிக்கை இடைவெளி ஆகியவற்றைப் புகாரளித்தேன்.
• [ ] நான் பகுப்பாய்வுத் திட்டத்தை முன்கூட்டியே சரிசெய்து, பி-ஹேக்கிங்கைத் தவிர்த்தேன்.