ಮೂಲ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಮೀಕ್ಷೆ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳು
ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನೆ, ಸೇವಾ ಮೌಲ್ಯಮಾಪನ, ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ ಅಥವಾ ಸಾಂಸ್ಥಿಕ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಪ್ರತಿಕ್ರಿಯಿಸುವವರಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಮೀಕ್ಷೆಗಳು ಸಾಮಾನ್ಯ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಆದಾಗ್ಯೂ, ವ್ಯವಸ್ಥಿತವಾಗಿ ಸಂಸ್ಕರಿಸದಿದ್ದರೆ ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶವು ಅರ್ಥಹೀನವಾಗಿರುತ್ತದೆ. ಇಲ್ಲಿಯೇ ಮೂಲಭೂತ ಅಂಕಿಅಂಶಗಳು ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುತ್ತವೆ: ಸಂಶೋಧಕರು ಡೇಟಾವನ್ನು ಸಂಕ್ಷೇಪಿಸಲು, ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು, ಪ್ರವೃತ್ತಿಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಪ್ರಾಥಮಿಕ, ಅಳೆಯಬಹುದಾದ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಲೇಖನವು ಡೇಟಾ ತಯಾರಿಕೆಯಿಂದ ಫಲಿತಾಂಶದ ವ್ಯಾಖ್ಯಾನದವರೆಗೆ ಮೂಲಭೂತ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.
1. ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶ ಪ್ರಕಾರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
ದತ್ತಾಂಶವನ್ನು ಸಂಸ್ಕರಿಸುವ ಮೊದಲು ಮೊದಲ ಹೆಜ್ಜೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತಿರುವ ದತ್ತಾಂಶದ ಪ್ರಕಾರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು. ಸಾಮಾನ್ಯವಾಗಿ, ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶವು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು:
1. ವರ್ಗೀಯ (ಗುಣಾತ್ಮಕ) ದತ್ತಾಂಶ
ಉದಾಹರಣೆಗಳು: ಲಿಂಗ, ಬ್ರ್ಯಾಂಡ್ ಆದ್ಯತೆ, ಉದ್ಯೋಗ ಸ್ಥಿತಿ. ಈ ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಆವರ್ತನಗಳು ಮತ್ತು ಶೇಕಡಾವಾರುಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ.
2. ಸಾಮಾನ್ಯ ಡೇಟಾ
ಉದಾಹರಣೆಗಳು: ತೃಪ್ತಿ ಮಾಪಕ (ತುಂಬಾ ಅತೃಪ್ತಿ–ತುಂಬಾ ತೃಪ್ತಿ), ಒಪ್ಪಂದದ ಮಟ್ಟ (ಬಲವಾಗಿ ಒಪ್ಪುವುದಿಲ್ಲ–ಬಲವಾಗಿ ಒಪ್ಪುತ್ತೇನೆ). ಸಾಮಾನ್ಯ ದತ್ತಾಂಶವು ಒಂದು ಕ್ರಮವನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ವರ್ಗಗಳ ನಡುವಿನ ಅಂತರವು ಅಗತ್ಯವಾಗಿ ಒಂದೇ ಆಗಿರುವುದಿಲ್ಲ.
3. ಸಂಖ್ಯಾತ್ಮಕ (ಪರಿಮಾಣಾತ್ಮಕ) ದತ್ತಾಂಶ
ಉದಾಹರಣೆಗಳು: ವಯಸ್ಸು, ಆದಾಯ, ಖರೀದಿಗಳ ಸಂಖ್ಯೆ. ಈ ಡೇಟಾವನ್ನು ಕೇಂದ್ರ ಪ್ರವೃತ್ತಿ, ಪ್ರಸರಣ ಮತ್ತು ಇತರ ಹಲವಾರು ತಂತ್ರಗಳ ಅಳತೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವಿಶ್ಲೇಷಿಸಬಹುದು.
ಮಾಪನ ಮಾಪಕಗಳನ್ನು (ನಾಮಮಾತ್ರ, ಆರ್ಡಿನಲ್, ಮಧ್ಯಂತರ, ಅನುಪಾತ) ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಸೂಕ್ತವಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಂತ್ರಗಳನ್ನು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಪ್ರಸ್ತುತಪಡಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
2. ತಯಾರಿ ಹಂತ: ಡೇಟಾವನ್ನು ಸಂಪಾದಿಸುವುದು ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸುವುದು
ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶವು ಹೆಚ್ಚಾಗಿ ದೋಷಗಳು, ನಕಲುಗಳು ಅಥವಾ ಅಸಮಂಜಸ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಎರಡು ಪ್ರಮುಖ ಹಂತಗಳು ಅವಶ್ಯಕ:
ಎ. ಸಂಪಾದನೆ
ಪ್ರತಿವಾದಿಯ ಉತ್ತರಗಳ ಸಂಪೂರ್ಣತೆ ಮತ್ತು ಸ್ಥಿರತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಉದಾಹರಣೆಗೆ, ಪ್ರತಿವಾದಿಯ ವಯಸ್ಸು 8 ವರ್ಷ ಆದರೆ ಅವರ ಉದ್ಯೋಗ ಸ್ಥಿತಿ "ಉದ್ಯೋಗಿ" ಆಗಿದ್ದರೆ, ಇದನ್ನು ಪರಿಶೀಲಿಸಬೇಕಾಗುತ್ತದೆ.
ಬಿ. ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ
ಇದರಿಂದ ಡೇಟಾವನ್ನು ತೆರವುಗೊಳಿಸಿ:
- ಕಾಣೆಯಾದ ಡೇಟಾ (ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು): ಪ್ರತಿಕ್ರಿಯಿಸಿದವರು ಕೆಲವು ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲಿಲ್ಲ.
– ಹೊರಗಿನ ಮೌಲ್ಯ: ಅರ್ಥವಿಲ್ಲದ ವಿಪರೀತ ಮೌಲ್ಯ, ಉದಾಹರಣೆಗೆ ಸಾಮಾನ್ಯ ಜನರಿಗೆ ತಿಂಗಳಿಗೆ 1 ಬಿಲಿಯನ್ ಆದಾಯ.
– ಪ್ರತಿಕ್ರಿಯೆ ನಕಲು: ಪ್ರತಿಕ್ರಿಯಿಸಿದವರು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಬಾರಿ ಸಮೀಕ್ಷೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತಾರೆ.
ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದನ್ನು ನಮೂದುಗಳನ್ನು ಅಳಿಸುವ ಮೂಲಕ, ಸರಾಸರಿ/ಮಧ್ಯಮ ಮೌಲ್ಯದೊಂದಿಗೆ (ಸಂಖ್ಯಾತ್ಮಕ ದತ್ತಾಂಶಕ್ಕಾಗಿ) ಬದಲಾಯಿಸುವ ಮೂಲಕ ಅಥವಾ ವರ್ಗೀಯ ದತ್ತಾಂಶಕ್ಕಾಗಿ “ಉತ್ತರಿಸಲಿಲ್ಲ” ವರ್ಗವನ್ನು ಬಳಸುವ ಮೂಲಕ ಮಾಡಬಹುದು - ವಿಶ್ಲೇಷಣೆಯ ಉದ್ದೇಶ ಮತ್ತು ಕಾಣೆಯಾದ ದತ್ತಾಂಶದ ಅನುಪಾತವನ್ನು ಅವಲಂಬಿಸಿ.
3. ಕೋಡಿಂಗ್ ಮತ್ತು ಡೇಟಾ ಎಂಟ್ರಿ
ಡೇಟಾ ಸ್ಪಷ್ಟವಾದ ನಂತರ, ಅದನ್ನು ಕೋಡ್ ಮಾಡಿ, ಅಂದರೆ ಉತ್ತರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಸುಲಭವಾದ ಸ್ವರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು. ಉದಾಹರಣೆಗೆ:
– ಲಿಂಗ: ಪುರುಷ=1, ಮಹಿಳೆ=2
– ಲೈಕರ್ಟ್ ಸ್ಕೇಲ್: ಬಲವಾಗಿ ಒಪ್ಪುವುದಿಲ್ಲ = 1 ರಿಂದ ಬಲವಾಗಿ ಒಪ್ಪುತ್ತೇನೆ = 5
ಕೋಡಿಂಗ್ ಎಕ್ಸೆಲ್, ಎಸ್ಪಿಎಸ್ಎಸ್, ಆರ್, ಅಥವಾ ಪೈಥಾನ್ನಂತಹ ಸಾಫ್ಟ್ವೇರ್ಗಳಿಗೆ ಡೇಟಾವನ್ನು ಇನ್ಪುಟ್ ಮಾಡಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ಕೋಡ್ಬುಕ್ (ವೇರಿಯೇಬಲ್ಗಳು, ವ್ಯಾಖ್ಯಾನಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಡಾಕ್ಯುಮೆಂಟ್) ಅನ್ನು ರಚಿಸಲು ಮರೆಯದಿರಿ ಇದರಿಂದ ನಿಮ್ಮ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಇತರರು ಪುನರಾವರ್ತಿಸಬಹುದು ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು.
4. ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು: ಸಮೀಕ್ಷೆಯ ಡೇಟಾವನ್ನು ಸಂಕ್ಷೇಪಿಸುವುದು
ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು ಆರಂಭಿಕ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯ ಮೂಲತತ್ವವಾಗಿದೆ. ಅವುಗಳ ಉದ್ದೇಶ ಸಿದ್ಧಾಂತಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಅಲ್ಲ, ಆದರೆ ದತ್ತಾಂಶದ ಗುಣಲಕ್ಷಣಗಳ ಸಾಮಾನ್ಯ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುವುದು.
a. ಆವರ್ತನ ಮತ್ತು ಶೇಕಡಾವಾರು ವಿತರಣೆ
ವರ್ಗೀಯ ಮತ್ತು ಆರ್ಡಿನಲ್ ಡೇಟಾಗಾಗಿ, ಲೆಕ್ಕ ಹಾಕಿ:
– ಆವರ್ತನ (ಪ್ರತಿಕ್ರಿಯೆಗಳ ಸಂಖ್ಯೆ)
– ಶೇಕಡಾವಾರು (ಒಟ್ಟು ಪ್ರತಿಕ್ರಿಯೆಗಳ ಅನುಪಾತ)
ಉದಾಹರಣೆ ಫಲಿತಾಂಶಗಳು:
"ಪ್ರತಿಕ್ರಿಯಿಸಿದವರಲ್ಲಿ ಶೇ. 60 ರಷ್ಟು ಜನರು ಸೇವೆ ಎ ಆಯ್ಕೆ ಮಾಡಿಕೊಂಡರೆ, ಶೇ. 40 ರಷ್ಟು ಜನರು ಸೇವೆ ಬಿ ಆಯ್ಕೆ ಮಾಡಿಕೊಂಡಿದ್ದಾರೆ."
ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಆವರ್ತನ ವಿತರಣೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಕೋಷ್ಟಕಗಳು ಮತ್ತು ಬಾರ್/ಪೈ ಗ್ರಾಫ್ಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.
ಬಿ. ಕೇಂದ್ರ ಪ್ರವೃತ್ತಿಯ ಅಳತೆ
ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾಕ್ಕಾಗಿ, ಬಳಸಿ:
– ಸರಾಸರಿ (ಸರಾಸರಿ): ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಸಂಖ್ಯೆಯಿಂದ ಭಾಗಿಸಿದ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳ ಮೊತ್ತ.
– ಮಧ್ಯಮ: ಡೇಟಾವನ್ನು ವಿಂಗಡಿಸಿದ ನಂತರದ ಮಧ್ಯದ ಮೌಲ್ಯ.
– ಮೋಡ್: ಹೆಚ್ಚಾಗಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಮೌಲ್ಯ.
ಸರಾಸರಿಯು ತುಲನಾತ್ಮಕವಾಗಿ ಸಮ್ಮಿತೀಯ ವಿತರಣೆಯನ್ನು ಹೊಂದಿರುವ ಡೇಟಾಗೆ ಸೂಕ್ತವಾಗಿದೆ, ಆದರೆ ಹೊರಗಣ ಅಥವಾ ಓರೆಯಾದ ವಿತರಣೆ ಇದ್ದಾಗ ಸರಾಸರಿಯು ಹೆಚ್ಚು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ. ವರ್ಗೀಕೃತ ಡೇಟಾಗೆ ಅಥವಾ ನೀವು ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಆಯ್ಕೆಯನ್ನು ನೋಡಲು ಬಯಸಿದಾಗ ಮೋಡ್ ಹೆಚ್ಚಾಗಿ ಉಪಯುಕ್ತವಾಗಿರುತ್ತದೆ.
ಸಿ. ಹರಡುವಿಕೆಯ ಗಾತ್ರ (ವ್ಯತ್ಯಾಸ)
ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವವರ ಉತ್ತರಗಳು ಎಷ್ಟು ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಪ್ರಸರಣದ ಅಳತೆಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ:
- ಶ್ರೇಣಿ: ಗರಿಷ್ಠ ಮತ್ತು ಕನಿಷ್ಠ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ.
– ವ್ಯತ್ಯಾಸ: ಮೌಲ್ಯಗಳು ಮತ್ತು ಸರಾಸರಿ ನಡುವಿನ ವ್ಯತ್ಯಾಸದ ಸರಾಸರಿ ವರ್ಗ.
– ಪ್ರಮಾಣಿತ ವಿಚಲನ: ವ್ಯತ್ಯಾಸದ ವರ್ಗಮೂಲ, ಅರ್ಥೈಸಲು ಸುಲಭ ಏಕೆಂದರೆ ಘಟಕಗಳು ಮೂಲ ದತ್ತಾಂಶದಂತೆಯೇ ಇರುತ್ತವೆ.
ಉದಾಹರಣೆಗೆ, ಎರಡು ಗುಂಪುಗಳು ಒಂದೇ ಸರಾಸರಿ ತೃಪ್ತಿಯನ್ನು ಹೊಂದಿರಬಹುದು, ಆದರೆ ವಿಭಿನ್ನ ಪ್ರಮಾಣಿತ ವಿಚಲನಗಳನ್ನು ಹೊಂದಿರಬಹುದು - ದೊಡ್ಡ ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಹೊಂದಿರುವ ಗುಂಪು ಎಂದರೆ ಪ್ರತಿಕ್ರಿಯಿಸುವವರ ಉತ್ತರಗಳು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯವಾಗಿರುತ್ತವೆ.
5. ಡೇಟಾ ದೃಶ್ಯೀಕರಣ
ಗ್ರಾಫ್ಗಳು ಫಲಿತಾಂಶಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶಕ್ಕಾಗಿ ಕೆಲವು ಸಾಮಾನ್ಯ ರೀತಿಯ ದೃಶ್ಯೀಕರಣಗಳು:
– ಬಾರ್ ಚಾರ್ಟ್: ವರ್ಗೀಯ/ಆರ್ಡಿನಲ್ ಡೇಟಾಗಾಗಿ.
– ಹಿಸ್ಟೋಗ್ರಾಮ್: ಸಂಖ್ಯಾತ್ಮಕ ದತ್ತಾಂಶದ ವಿತರಣೆಗಾಗಿ.
– ಬಾಕ್ಸ್ಪ್ಲಾಟ್: ಮಧ್ಯಮ, ಕ್ವಾರ್ಟೈಲ್ಗಳು ಮತ್ತು ಹೊರಗಣ ಮೌಲ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.
– ಲೈನ್ ಚಾರ್ಟ್: ಸಮೀಕ್ಷೆಯನ್ನು ನಿಯತಕಾಲಿಕವಾಗಿ ನಡೆಸಿದರೆ (ಸಮಯ ಸರಣಿ).
ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದನ್ನು ತಪ್ಪಿಸಲು ಉತ್ತಮ ದೃಶ್ಯೀಕರಣಕ್ಕೆ ಶೀರ್ಷಿಕೆ, ಅಕ್ಷದ ಲೇಬಲ್ಗಳು ಮತ್ತು ಡೇಟಾ ಮೂಲಗಳನ್ನು ನೀಡಬೇಕು.
6. ಕ್ರಾಸ್ಟ್ಯಾಬ್ ವಿಶ್ಲೇಷಣೆ
ಎರಡು ವರ್ಗೀಕರಣ ಅಥವಾ ಆರ್ಡಿನಲ್ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನೋಡಲು ಕ್ರಾಸ್ಟ್ಯಾಬ್ಯುಲೇಷನ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆ:
– ಲಿಂಗ ಆಧಾರಿತ ತೃಪ್ತಿ (ತೃಪ್ತಿ/ಅತೃಪ್ತಿ).
- ವಯಸ್ಸಿನ ಆಧಾರದ ಮೇಲೆ ಉತ್ಪನ್ನ ಆಯ್ಕೆ
ಕ್ರಾಸ್ಟ್ಯಾಬ್ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ಸಾಲು ಅಥವಾ ಪ್ರತಿ ಕಾಲಮ್ಗೆ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ. ಗುಂಪುಗಳ ನಡುವಿನ ಮಾದರಿ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸಲು ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ.
ಮಿಸಲ್ನ್ಯಾ:
"18-25 ವರ್ಷ ವಯಸ್ಸಿನವರಿಗೆ ಹೋಲಿಸಿದರೆ 26-35 ವರ್ಷ ವಯಸ್ಸಿನವರಲ್ಲಿ ತೃಪ್ತಿಕರ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಶೇಕಡಾವಾರು ಹೆಚ್ಚಾಗಿದೆ."
ಅಡ್ಡ-ಕೋಷ್ಟಕಗಳು ಇನ್ನೂ ವಿವರಣಾತ್ಮಕ ಸ್ವರೂಪದ್ದಾಗಿದ್ದರೂ, ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚಿನ ವಿಶ್ಲೇಷಣೆಗೆ ಆಧಾರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
7. ಲೈಕರ್ಟ್ ಮಾಪಕಗಳನ್ನು ಸಂಸ್ಕರಿಸುವುದು: ಸ್ಕೋರಿಂಗ್ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ
ಅನೇಕ ಸಮೀಕ್ಷೆಗಳು 1–5 ಅಥವಾ 1–7 ರ ಲೈಕರ್ಟ್ ಮಾಪಕವನ್ನು ಬಳಸುತ್ತವೆ. ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳು ಸೇರಿವೆ:
1. ಪ್ರತಿ ಐಟಂಗೆ ಸರಾಸರಿ ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ
ಉದಾಹರಣೆಗೆ, “ಸೇವಾ ಗುಣಮಟ್ಟ” ದ ಸರಾಸರಿ ರೇಟಿಂಗ್ 5 ರಲ್ಲಿ 4,2 ಆಗಿದೆ.
2. ಸೂಚ್ಯಂಕ/ಸಂಯೋಜನೆಯನ್ನು ರಚಿಸಿ
ಒಂದು ಪರಿಕಲ್ಪನೆಯನ್ನು ಅಳೆಯಲು ಬಹು ಅಂಶಗಳಿದ್ದರೆ (ಉದಾ. "ತೃಪ್ತಿ" 5 ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ), ಅಂಕಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಬಹುದು ಅಥವಾ ಸರಾಸರಿ ಮಾಡಬಹುದು ಮತ್ತು ಒಂದು ಸೂಚ್ಯಂಕ ಮೌಲ್ಯವನ್ನು ರೂಪಿಸಬಹುದು.
3. ಅಂಕ ವರ್ಗೀಕರಣ
ಅಂಕಗಳನ್ನು ಕೆಲವು ಮಿತಿಗಳೊಂದಿಗೆ ಕಡಿಮೆ-ಮಧ್ಯಮ-ಹೆಚ್ಚಿನ ವರ್ಗಗಳಾಗಿ ಪರಿವರ್ತಿಸಬಹುದು.
ಲೈಕರ್ಟ್ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ, ಓದುಗರಿಗೆ ಸಂದರ್ಭ ಅರ್ಥವಾಗುವಂತೆ ಬಳಸಿದ ಮಾಪಕವನ್ನು ನಮೂದಿಸುವುದು ಮತ್ತು ಅಂಕಗಳ ಅರ್ಥವನ್ನು ವಿವರಿಸುವುದು ಮುಖ್ಯ.
8. ಸರಳ ವಿಶ್ವಾಸಾರ್ಹತಾ ಪರಿಶೀಲನೆ (ಐಚ್ಛಿಕ)
ನೀವು ಬಹು ಪ್ರಶ್ನೆಗಳಿಂದ ಸೂಚ್ಯಂಕವನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದರೆ, ಅದರ ಆಂತರಿಕ ಸ್ಥಿರತೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಒಳ್ಳೆಯದು. ಒಂದು ಸಾಮಾನ್ಯ ಅಳತೆಯೆಂದರೆ ಕ್ರೋನ್ಬಾಚ್ನ ಆಲ್ಫಾ. ಇದು ಶುದ್ಧ "ಮೂಲ ಅಂಕಿಅಂಶಗಳನ್ನು" ಮೀರಿ ಸ್ವಲ್ಪ ಹೋದರೂ, ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಇನ್ನೂ ಹೆಚ್ಚಾಗಿ ಸಮೀಕ್ಷೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಹೆಚ್ಚಿನ ಆಲ್ಫಾ ಮೌಲ್ಯ (ಉದಾ., ≥ 0,7) ಸಾಮಾನ್ಯವಾಗಿ ಐಟಂಗಳು ಒಂದೇ ರಚನೆಯನ್ನು ಸಾಕಷ್ಟು ಸ್ಥಿರವಾಗಿ ಅಳೆಯುತ್ತಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
9. ಫಲಿತಾಂಶಗಳ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವರದಿ ಮಾಡುವಿಕೆ
ಉತ್ತಮ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯು ಸ್ಪಷ್ಟ ವರದಿ ಮಾಡುವಿಕೆಗೆ ಕಾರಣವಾಗಬೇಕು. ನಿಮ್ಮ ವರದಿಯಲ್ಲಿ, ಇವುಗಳನ್ನು ಸೇರಿಸಲು ಮರೆಯದಿರಿ:
– ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಪ್ರೊಫೈಲ್ (ಪ್ರಮುಖ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ)
– ಪ್ರತಿ ಮುಖ್ಯ ವೇರಿಯೇಬಲ್ಗೆ ಫಲಿತಾಂಶಗಳ ಸಾರಾಂಶ
- ಸಂಬಂಧಿತ ಕೋಷ್ಟಕಗಳು/ಗ್ರಾಫ್ಗಳು
– ಉತ್ಪ್ರೇಕ್ಷೆಯಿಲ್ಲದ ವ್ಯಾಖ್ಯಾನ
ಸಮೀಕ್ಷೆಯು ಕೇವಲ ವಿವರಣಾತ್ಮಕವಾಗಿದ್ದರೆ "ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮ" ಎಂದು ನಿರ್ಣಯಿಸುವುದನ್ನು ತಪ್ಪಿಸಿ. ಬಲವಾದ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸಲು, ಸೂಕ್ತವಾದ ಸಂಶೋಧನಾ ವಿನ್ಯಾಸ ಮತ್ತು ತಾರ್ಕಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಗಳು ಅಗತ್ಯವಿದೆ.
10. ತಪ್ಪಿಸಬೇಕಾದ ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
ಸಮೀಕ್ಷೆಯ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಸಂಭವಿಸುವ ಕೆಲವು ದೋಷಗಳು:
- ಶುಚಿಗೊಳಿಸುವಿಕೆಯನ್ನು ಮಾಡದಿರುವುದರಿಂದ ಫಲಿತಾಂಶಗಳು ಪಕ್ಷಪಾತವಾಗಿರುತ್ತವೆ
– ಕ್ರಮಬದ್ಧವಲ್ಲದ ವರ್ಗೀಕರಣ ದತ್ತಾಂಶದ ಸರಾಸರಿಯನ್ನು ಬಳಸುವುದು
– ಅಳತೆ ಮಾಪಕವನ್ನು ವಿವರಿಸುವುದಿಲ್ಲ
- ಸ್ಪಷ್ಟ ತಂತ್ರವಿಲ್ಲದೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು
- ಲೇಬಲ್ಗಳು ಅಥವಾ ಸಂದರ್ಭವಿಲ್ಲದೆ ಗ್ರಾಫ್ಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು.
ಈ ದೋಷಗಳನ್ನು ತಪ್ಪಿಸುವ ಮೂಲಕ, ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚು ಮಾನ್ಯ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗುತ್ತವೆ.
ಪೆನುಟಪ್
ಮೂಲ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಮೀಕ್ಷೆ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳು ಹಲವಾರು ಅಗತ್ಯ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ: ದತ್ತಾಂಶ ಪ್ರಕಾರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವುದು ಮತ್ತು ಕೋಡಿಂಗ್ ಮಾಡುವುದು, ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳ ಮೂಲಕ ದತ್ತಾಂಶವನ್ನು ಸಂಕ್ಷೇಪಿಸುವುದು, ಮಾಹಿತಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ನಿಖರವಾಗಿ ಅರ್ಥೈಸುವುದು. ಮೂಲ ಅಂಕಿಅಂಶಗಳು ಡೇಟಾವನ್ನು ಹೆಚ್ಚು "ಓದಲು" ಸಹಾಯ ಮಾಡುವುದಲ್ಲದೆ, ಸಮೀಕ್ಷೆ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳ ಗುಣಮಟ್ಟವನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಸ್ವಚ್ಛ ಮತ್ತು ಪಾರದರ್ಶಕ ಪ್ರಕ್ರಿಯೆಯೊಂದಿಗೆ, ಸಮೀಕ್ಷೆ ದತ್ತಾಂಶವು ವಿವಿಧ ಸಂಶೋಧನಾ ಅಗತ್ಯಗಳು ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಅಭ್ಯಾಸಗಳಿಗೆ ಒಳನೋಟಗಳ ಮೌಲ್ಯಯುತ ಮತ್ತು ನಿಖರವಾದ ಮೂಲವಾಗಬಹುದು.
ನೀವು ಬಯಸಿದರೆ, ಸೂತ್ರಗಳು ಮತ್ತು ಟೆಂಪ್ಲೇಟ್ಗಳ ಜೊತೆಗೆ ಎಕ್ಸೆಲ್/SPSS ನಲ್ಲಿ ಮಾದರಿ ಕೋಷ್ಟಕಗಳು, ಸಮೀಕ್ಷೆಯ ಫಲಿತಾಂಶ ವರದಿ ಸ್ವರೂಪಗಳು ಅಥವಾ ಸಮೀಕ್ಷೆಯ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಹಂತಗಳನ್ನು ರಚಿಸಲು ನಾನು ನಿಮಗೆ ಸಹಾಯ ಮಾಡಬಹುದು.
