መሰረታዊ ስታቲስቲክስን በመጠቀም የዳሰሳ ጥናት የውሂብ ማቀነባበሪያ ቴክኒኮች
ጥናቶች ለአካዳሚክ ጥናት፣ ለአገልግሎት ግምገማ፣ ለገበያ ጥናት ወይም ለድርጅታዊ ውሳኔ አሰጣጥ ከተመልካቾች መረጃን ለመሰብሰብ በጣም የተለመዱ ዘዴዎች ናቸው። ሆኖም ግን፣ የዳሰሳ ጥናት መረጃዎች በስርዓት ካልተቀናበሩ ትርጉም የለሽ ናቸው። መሰረታዊ ስታቲስቲክስ የሚጀመረው እዚህ ላይ ነው፡- ተመራማሪዎች መረጃን እንዲያጠቃልሉ፣ ቅጦችን እንዲለዩ፣ አዝማሚያዎችን እንዲገመግሙ እና የመጀመሪያ እና ሊለኩ የሚችሉ መደምደሚያዎችን እንዲያወጡ መርዳት። ይህ ጽሑፍ ከውሂብ ዝግጅት እስከ ውጤት ትርጓሜ ድረስ መሰረታዊ ስታቲስቲክስን በመጠቀም የዳሰሳ ጥናት የውሂብ ማቀነባበሪያ ቴክኒኮችን ያብራራል።
1. የዳሰሳ ጥናት የውሂብ አይነቶችን መረዳት
ውሂብን ከማስኬድዎ በፊት የመጀመሪያው እርምጃ የሚሰበሰበውን የውሂብ አይነት መረዳት ነው። በአጠቃላይ፣ የዳሰሳ ጥናት መረጃዎች የሚከተሉትን ሊያካትቱ ይችላሉ፡
1. የምድብ (ጥራት) መረጃ
ምሳሌዎች፡ ጾታ፣ የምርት ስም ምርጫ፣ የሥራ ሁኔታ። ይህ መረጃ በተለምዶ የሚተነተነው ድግግሞሽ እና መቶኛዎችን በመጠቀም ነው።
2. መደበኛ መረጃ
ምሳሌዎች፡ የእርካታ መለኪያ (በጣም አልረካሁም - በጣም ረክቻለሁ)፣ የስምምነት ደረጃ (በጥብቅ አልስማማም - በጥብቅ እስማማለሁ)። ተራ መረጃ ቅደም ተከተል አለው፣ ነገር ግን በምድቦች መካከል ያለው ርቀት የግድ ተመሳሳይ አይደለም።
3. ቁጥራዊ (ቁጥራዊ) መረጃ
ምሳሌዎች፡ ዕድሜ፣ ገቢ፣ የግዢዎች ብዛት። ይህ መረጃ ማዕከላዊ ዝንባሌን፣ ስርጭትን እና ሌሎች የተለያዩ ቴክኒኮችን በመጠቀም ሊተነተን ይችላል።
የመለኪያ ስኬሎችን (ስመራዊ፣ ተራ፣ ክፍተት፣ ጥምርታ) መረዳት አስፈላጊ ነው ምክንያቱም ተገቢውን የስታቲስቲክስ ቴክኒኮችን እና ውጤቶችን እንዴት ማቅረብ እንደሚቻል ስለሚወስን።
2. የዝግጅት ደረጃ፡- የውሂብ ማስተካከያ እና ማጽዳት
የዳሰሳ ጥናት መረጃ ብዙውን ጊዜ ስህተቶችን፣ ድግግሞሽን ወይም ወጥነት የሌላቸውን ምላሾችን ይይዛል። ስለዚህ፣ ሁለት አስፈላጊ እርምጃዎች አስፈላጊ ናቸው፡
ሀ. አርትዖት
የተመልካቹን መልሶች ሙሉነት እና ወጥነት ያረጋግጡ። ለምሳሌ፣ የተመልካቹ ዕድሜ 8 ዓመት ከሆነ ነገር ግን የሥራ ሁኔታቸው "ሠራተኛ" ከሆነ፣ ይህ መገምገም አለበት።
ለ. ጽዳት
ውሂብን ከ፡ አጽዳ
– የጎደለ መረጃ (የጎደለ እሴት)፡ ምላሽ ሰጪዎች ለአንዳንድ ጥያቄዎች መልስ አልሰጡም።
– ውጫዊ፡ ትርጉም የማይሰጥ እጅግ በጣም ከፍተኛ እሴት፣ ለምሳሌ ለአጠቃላይ ህዝብ በወር 1 ቢሊዮን ገቢ።
– የምላሽ ድግግሞሽ፡- ምላሽ ሰጪዎች ጥናቱን ከአንድ ጊዜ በላይ ያጠናቅቃሉ።
የጎደሉ እሴቶችን ማስተናገድ ግቤቶችን በመሰረዝ፣ በአማካይ/መካከለኛ እሴት (ለቁጥራዊ መረጃ) በመተካት ወይም ለምድባዊ መረጃ "መልስ አልሰጠም" የሚለውን ምድብ በመጠቀም ሊከናወን ይችላል - እንደ ትንተናው ዓላማ እና የጎደለው መረጃ መጠን ላይ በመመስረት።
3. ኮድ መስጠት እና የውሂብ ግቤት
መረጃው አንዴ ከጸዳ በኋላ ኮድ ያድርጉት፣ ይህም ማለት መልሶቹን ለማስኬድ ቀላል ወደሆነ ቅርጸት መቀየር ማለት ነው። ለምሳሌ፡
– ጾታ፡ ወንድ=1፣ ሴት=2
– የሊከርት ሚዛን፡- በጣም አልስማማም = 1 እስከ በጣም እስማማለሁ = 5
ኮዲንግ እንደ ኤክሴል፣ SPSS፣ R ወይም Python ባሉ ሶፍትዌሮች ውስጥ ውሂብ ማስገባትን ቀላል ያደርገዋል። ትንተናዎ በሌሎች እንዲደገም እና እንዲረዳ የኮድ ደብተር (ተለዋዋጮችን፣ ፍቺዎችን እና ኮድን የያዘ ሰነድ) መፍጠርዎን ያረጋግጡ።
4. ገላጭ ስታቲስቲክስ፡ የዳሰሳ ጥናት መረጃን ማጠቃለል
ገላጭ ስታትስቲክስ የመጀመሪያ የውሂብ ሂደት ዋና አካል ነው። ዓላማቸው ንድፈ ሐሳቦችን መፈተሽ ሳይሆን የውሂቡን ባህሪያት አጠቃላይ አጠቃላይ እይታ መስጠት ነው።
ሀ. የድግግሞሽ እና የመቶኛ ስርጭት
ለምድባዊ እና ተራ ውሂብ፣ የሚከተለውን አስላ፦
– ድግግሞሽ (የምላሾች ብዛት)
- መቶኛ (የጠቅላላ ምላሾች ተመጣጣኝነት)
የምሳሌ ውጤቶች፡
"እስከ 60% የሚሆኑት ምላሽ ሰጪዎች አገልግሎት ሀን የመረጡ ሲሆን 40% የሚሆኑት አገልግሎት ለን መርጠዋል።"
የድግግሞሽ ስርጭቶች ብዙውን ጊዜ በጠረጴዛዎች እና በባር/ፓይ ግራፎች ውስጥ በቀላሉ ለመረዳት ይቀርባሉ።
ለ. የማዕከላዊ ዝንባሌ መለኪያ
ለቁጥራዊ ውሂብ፣ የሚከተለውን ይጠቀሙ፦
- አማካይ (አማካይ): የሁሉም እሴቶች ድምር በምላሾች ብዛት የተከፈለ።
– መካከለኛ፡- ውሂቡ ከተደረደረ በኋላ ያለው መካከለኛ እሴት።
– ሁነታ፡- በብዛት የሚታየው እሴት።
አማካዩ በአንጻራዊነት ሲሜትሪክ ስርጭት ላለው መረጃ ተስማሚ ሲሆን፣ ሚዲያኑ ደግሞ ውጫዊ ወይም የተዛባ ስርጭት ሲኖር የበለጠ የተረጋጋ ነው። ሁነታው ብዙውን ጊዜ ለምድባዊ መረጃ ወይም በጣም የተለመደውን ምርጫ ማየት ሲፈልጉ ጠቃሚ ነው።
ሐ. የስርጭት መጠን (ተለዋዋጭነት)
የተበታተኑ መለኪያዎች የምላሾች መልሶች ምን ያህል እንደሚለያዩ ለመወሰን ይረዳሉ፡
ክልል - በከፍተኛ እና ዝቅተኛ እሴቶች መካከል ያለው ልዩነት።
– ልዩነት፡- በእሴቶች እና በአማካይ መካከል ያለው ልዩነት አማካኝ ካሬ።
– መደበኛ መዛባት፡- የልዩነቱ ካሬ ሥር፣ ክፍሎቹ ከዋናው መረጃ ጋር ተመሳሳይ ስለሆኑ ለመተርጎም ቀላል ነው።
ለምሳሌ፣ ሁለት ቡድኖች ተመሳሳይ አማካይ እርካታ ሊኖራቸው ይችላል፣ ነገር ግን የተለያዩ መደበኛ ልዩነቶች - ትልቅ መደበኛ መዛባት ያለው ቡድን ማለት የምላሾች መልሶች የበለጠ የተለያዩ ናቸው ማለት ነው።
5. የውሂብ ምስላዊነት
ግራፎች ውጤቶችን በፍጥነት እና በግልጽ ለማስተላለፍ ይረዳሉ። ለዳሰሳ ጥናት ውሂብ አንዳንድ የተለመዱ የእይታ ዓይነቶች፡
– የአሞሌ ገበታ፡ ለምድባዊ/ተራ መረጃ።
– ሂስቶግራም፡ የቁጥር ውሂብ ስርጭት።
– የቦክስፕሎት፡- መካከለኛውን፣ ሩብቱን እና ውጪውን ያሳያል።
– የመስመር ገበታ፡- የዳሰሳ ጥናቱ በየጊዜው የሚካሄድ ከሆነ (የጊዜ ተከታታይ)።
የተሳሳተ ትርጓሜ እንዳይሰጥ ለመከላከል ጥሩ የእይታ እይታ ርዕስ፣ የዘንግ መለያዎች እና የውሂብ ምንጮች ሊሰጣቸው ይገባል።
6. የክሮስታብ ትንተና
የመስቀል ታብሌሽን በሁለት የምድብ ወይም ተራ ተለዋዋጮች መካከል ያለውን ግንኙነት ለማየት ይጠቅማል። ለምሳሌ፡
- በጾታ ላይ የተመሠረተ እርካታ (እርካታ/አለመርካት)
- የምርት ምርጫ በእድሜ ቡድን ላይ የተመሠረተ
የክሮስታብ ውጤቶች ብዙውን ጊዜ በአንድ ረድፍ ወይም በአንድ አምድ መቶኛዎች ይቀርባሉ። ይህ በቡድኖች መካከል ያለውን የንድፍ ልዩነቶችን ለመለየት ጠቃሚ ነው።
Misalnya:
«ከ18-25 ባለው የዕድሜ ክልል ውስጥ ከ26-35 ባለው የዕድሜ ክልል ውስጥ ያሉት እርካታ ያላቸው ምላሽ ሰጪዎች መቶኛ ከፍ ያለ ነበር።»
ምንም እንኳን የተሻገሩ ሰንጠረዦች አሁንም ገላጭ ቢሆኑም፣ ውጤቶቹ ብዙውን ጊዜ ለተጨማሪ ትንተና መሠረት ሆነው ያገለግላሉ።
7. የሊከርት ሚዛንን በማስኬድ ላይ፡ ውጤት ማስመዝገብ እና ትርጓሜ
ብዙ የዳሰሳ ጥናቶች የሊከርት መለኪያ ከ1-5 ወይም ከ1-7 ይጠቀማሉ። የሂደት ቴክኒኮች የሚከተሉትን ያካትታሉ፡
1. በአንድ ንጥል አማካይ ውጤት አስላ
ለምሳሌ፣ ለ"የአገልግሎት ጥራት" አማካይ ደረጃ አሰጣጥ ከ5ቱ 4,2 ነው።
2. ማውጫ/ውህድ ይፍጠሩ
አንድን ፅንሰ-ሀሳብ ለመለካት ብዙ ነገሮች ካሉ (ለምሳሌ "እርካታ" 5 ጥያቄዎችን የያዘ ከሆነ)፣ ውጤቶቹ አንድ የኢንዴክስ እሴት ለመፍጠር ሊደመሩ ወይም ሊተመኑ ይችላሉ።
3. የውጤት ምደባ
ውጤቶች እንደ ዝቅተኛ-መካከለኛ-ከፍተኛ ያሉ የተወሰኑ ገደቦችን በመጠቀም ወደ ምድቦች ሊለወጡ ይችላሉ።
በሊከርት ትርጓሜ፣ አንባቢው አውዱን እንዲረዳው ጥቅም ላይ የዋለውን ልኬት መጥቀስ እና የውጤቶቹን ትርጉም ማብራራት አስፈላጊ ነው።
8. ቀላል የአስተማማኝነት ማረጋገጫ (አማራጭ)
ከብዙ ጥያቄዎች ኢንዴክስ እየገነቡ ከሆነ፣ ውስጣዊ ወጥነቱን ማረጋገጥ ጥሩ ሀሳብ ነው። አንድ የተለመደ መለኪያ የክሮንባች አልፋ ነው። ይህ ከንፁህ "መሰረታዊ ስታቲስቲክስ" ትንሽ አልፎ የሚሄድ ቢሆንም፣ ጽንሰ-ሐሳቡ አሁንም በዳሰሳ ጥናት ሂደት ውስጥ በተደጋጋሚ ጥቅም ላይ ይውላል። ከፍ ያለ የአልፋ እሴት (ለምሳሌ፣ ≥ 0,7) በአጠቃላይ እቃዎቹ ተመሳሳይ ግንባታን በትክክል እየለኩ መሆናቸውን ያሳያል።
9. የውጤቶች እና የሪፖርት አተረጓጎም
ጥሩ የውሂብ ሂደት ግልጽ ሪፖርት ማድረግን ሊያስከትል ይገባል። በሪፖርትዎ ውስጥ የሚከተሉትን ማካተትዎን ያረጋግጡ፦
– የተመልካች መገለጫ (አስፈላጊ የስነሕዝብ መረጃዎች)
– በዋና ተለዋዋጭ የውጤቶች ማጠቃለያ
– ተዛማጅ ሰንጠረዦች/ግራፎች
- ያልተጋነነ ትርጓሜ
የዳሰሳ ጥናቱ ገላጭ ብቻ ከሆነ “ምክንያትና ውጤት” ከመገመት ይቆጠቡ። ጠንካራ ግንኙነት ለመመስረት ተገቢ የምርምር ዲዛይን እና የማጣቀሻ ስታትስቲክስ ሙከራዎች ያስፈልጋሉ።
10. ማስወገድ የሚገባቸው የተለመዱ ስህተቶች
በዳሰሳ ጥናት ውሂብ ሂደት ውስጥ ብዙ ጊዜ የሚከሰቱ አንዳንድ ስህተቶች፡
- ውጤቶቹ አድልዎ እንዲኖራቸው ጽዳት አለማድረግ
- ባልተደረደረ የምድብ ውሂብ ላይ ያለውን አማካይ አጠቃቀም
- የመለኪያ መለኪያውን አያብራራም
- ግልጽ የሆነ ስትራቴጂ ሳይኖር የጎደሉ እሴቶችን ችላ ማለት
- ያለ መለያዎች ወይም አውድ ግራፎችን ማቅረብ
እነዚህን ስህተቶች በማስወገድ፣ የትንታኔ ውጤቶቹ የበለጠ ትክክለኛ እና አስተማማኝ ይሆናሉ።
መዝጊያ
መሰረታዊ ስታቲስቲክስን በመጠቀም የዳሰሳ ጥናት የውሂብ ማቀነባበሪያ ቴክኒኮች ተከታታይ አስፈላጊ እርምጃዎችን ያካትታሉ፡- የውሂብ ዓይነቶችን መረዳት፣ የጽዳት እና የኮድ ምላሾችን ማጠቃለል፣ መረጃውን በማብራሪያ ስታቲስቲክስ ማጠቃለል፣ መረጃውን በዓይነ ሕሊና ማየት እና ውጤቶቹን በትክክል መተርጎም። መሰረታዊ ስታቲስቲክስ መረጃውን የበለጠ "ሊነበብ የሚችል" ለማድረግ ብቻ ሳይሆን የዳሰሳ ጥናት ላይ የተመሰረቱ ውሳኔዎችን ጥራት ለማጠናከርም ይረዳል። በንጹህ እና ግልጽ በሆነ ሂደት፣ የዳሰሳ ጥናት መረጃ ለተለያዩ የምርምር ፍላጎቶች እና የድርጅታዊ ልምዶች ጠቃሚ እና ትክክለኛ የግንዛቤ ምንጭ ሊሆን ይችላል።
ከፈለጉ፣ በ Excel/SPSS ውስጥ የናሙና ሰንጠረዦችን፣ የዳሰሳ ጥናት ውጤት ሪፖርት ቅርጸቶችን ወይም የዳሰሳ ጥናት ውሂብ ሂደት ደረጃዎችን ከቀመሮች እና አብነቶች ጋር እንዲፈጥሩ እረዳዎታለሁ።
