ວິທີວິເຄາະຂໍ້ມູນແບບໝວດໝູ່

ວິທີການວິເຄາະຂໍ້ມູນປະເພດ

ຂໍ້ມູນປະເພດແມ່ນໜຶ່ງໃນປະເພດຂໍ້ມູນທີ່ພົບເລື້ອຍທີ່ສຸດທີ່ພົບໃນການຄົ້ນຄວ້າ, ທຸລະກິດ, ການຕະຫຼາດ, ສຸຂະພາບ, ການສຶກສາ, ແລະແມ່ນແຕ່ການສຳຫຼວດຄວາມພໍໃຈຂອງລູກຄ້າ. ບໍ່ເຫມືອນກັບຂໍ້ມູນຕົວເລກ (ເຊັ່ນ: ອາຍຸ, ຄວາມສູງ, ລາຍໄດ້), ເຊິ່ງສາມາດຄິດໄລ່ໄດ້ໂດຍໃຊ້ຄ່າສະເລ່ຍ ຫຼື ຄ່າຜັນປ່ຽນມາດຕະຖານ, ຂໍ້ມູນປະເພດປະກອບດ້ວຍປ້າຍຊື່ ຫຼື ກຸ່ມຕ່າງໆເຊັ່ນ "ຊາຍ/ຍິງ," "ເຫັນດີ/ບໍ່ເຫັນດີ," "A/B/C," ຫຼື "ພໍໃຈ/ເປັນກາງ/ບໍ່ພໍໃຈ." ເນື່ອງຈາກລັກສະນະການຈັດປະເພດຂອງມັນ, ເຕັກນິກການວິເຄາະຮຽກຮ້ອງໃຫ້ມີວິທີການສະເພາະ. ບົດຄວາມນີ້ປຶກສາຫາລືກ່ຽວກັບຂັ້ນຕອນການປະຕິບັດ ແລະ ວິທີການທົ່ວໄປສຳລັບການວິເຄາະຂໍ້ມູນປະເພດຢ່າງມີປະສິດທິພາບ.

1. ເຂົ້າໃຈປະເພດຂໍ້ມູນແບບໝວດໝູ່

ກ່ອນທີ່ຈະວິເຄາະ, ກ່ອນອື່ນໃຫ້ເຂົ້າໃຈວ່າຂໍ້ມູນປະເພດໃດທີ່ທ່ານມີ. ໂດຍທົ່ວໄປ, ມີສອງປະເພດຄື:

1) ຂະໜາດທີ່ກຳນົດໄວ້
ໝວດໝູ່ບໍ່ມີລຳດັບ. ຕົວຢ່າງ: ເພດ, ສີທີ່ມັກ, ຍີ່ຫໍ້ຜະລິດຕະພັນ, ພາກພື້ນທີ່ຢູ່ອາໄສ.

2) ລຳດັບ
ໝວດໝູ່ຕ່າງໆມີລຳດັບ ຫຼື ລະດັບ. ຕົວຢ່າງ: ລະດັບຄວາມພໍໃຈ (ບໍ່ພໍໃຈ – ພໍໃຊ້ – ພໍໃຈ), ລະດັບການສຶກສາ (ມັດທະຍົມຕອນປາຍ – ປະລິນຍາຕີ – ປະລິນຍາໂທ), ຂະໜາດ Likert (ບໍ່ເຫັນດີຢ່າງຍິ່ງ – ເຫັນດີຢ່າງຍິ່ງ).

ຄວາມແຕກຕ່າງນີ້ມີຄວາມສຳຄັນເພາະມັນມີຜົນກະທົບຕໍ່ເຕັກນິກການວິເຄາະທີ່ເໝາະສົມ. ຂໍ້ມູນລຳດັບສາມາດວິເຄາະໄດ້ໂດຍການພິຈາລະນາລຳດັບຂອງມັນ, ໃນຂະນະທີ່ຂໍ້ມູນທີ່ມີຄ່າບໍ່ສາມາດເຮັດໄດ້.

2. ການກະກຽມຂໍ້ມູນ: ລະຫັດ, ປ້າຍຊື່ ແລະ ຄວາມສະອາດຂອງຂໍ້ມູນ

ການວິເຄາະທີ່ດີເລີ່ມຕົ້ນດ້ວຍຂໍ້ມູນທີ່ມີການຈັດລຽງສະເໝີ. ຂັ້ນຕອນການກະກຽມທີ່ແນະນຳ:

- ມາດຕະຖານການຂຽນໝວດໝູ່: ຕົວຢ່າງເຊັ່ນ “ຊາຍ” ທຽບກັບ “ຊາຍ” ຕ້ອງໄດ້ລວມເຂົ້າກັນເພື່ອບໍ່ໃຫ້ຖືວ່າເປັນໝວດໝູ່ທີ່ແຕກຕ່າງກັນ.
– ຈັດການກັບຄ່າທີ່ຂາດຫາຍໄປ: ຕັດສິນໃຈວ່າຈະລຶບ, ອ້າງອີງ ຫຼື ສ້າງໝວດໝູ່ແຍກຕ່າງຫາກ ເຊັ່ນ “ບໍ່ໄດ້ຕອບ”.
- ສ້າງລະຫັດຖ້າຈຳເປັນ: ຕົວຢ່າງ, ເຫັນດີ=4, ເປັນກາງ=3, ບໍ່ເຫັນດີ=2. ສຳລັບຄ່າທີ່ລະບຸ, ລະຫັດຕົວເລກແມ່ນພຽງແຕ່ປ້າຍຊື່ເທົ່ານັ້ນ, ບໍ່ແມ່ນຄ່າທາງຄະນິດສາດ.
- ກວດສອບໝວດໝູ່ທີ່ຫາຍາກເກີນໄປ: ໝວດໝູ່ທີ່ມີຄວາມຖີ່ຕ່ຳຫຼາຍສາມາດລົບກວນການວິເຄາະໄດ້; ບາງຄັ້ງພວກມັນຈຳເປັນຕ້ອງໄດ້ລວມເຂົ້າກັນເພື່ອໃຫ້ໄດ້ຜົນໄດ້ຮັບທີ່ໝັ້ນຄົງກວ່າ.

3. ການວິເຄາະແບບພັນລະນາ: ຄວາມຖີ່ ແລະ ສັດສ່ວນ

ວິທີການພື້ນຖານ ແລະ ສຳຄັນທີ່ສຸດສຳລັບຂໍ້ມູນແບບໝວດໝູ່ແມ່ນການຄິດໄລ່:

- ຄວາມຖີ່: ຈຳນວນຜູ້ຕອບແບບສອບຖາມ/ການສັງເກດການໃນແຕ່ລະປະເພດ.
- ສັດສ່ວນ ຫຼື ເປີເຊັນ: ຄວາມຖີ່ຫານດ້ວຍຂໍ້ມູນທັງໝົດ.

ຕົວຢ່າງງ່າຍໆ: ໃນຈຳນວນຜູ້ຕອບແບບສອບຖາມ 200 ຄົນ, ມີ 120 ຄົນ “ພໍໃຈ”, 50 ຄົນ “ເປັນກາງ”, ແລະ 30 ຄົນ “ບໍ່ພໍໃຈ”. ອັດຕາສ່ວນຂອງຜູ້ຕອບແບບສອບຖາມທີ່ພໍໃຈແມ່ນ 60%.

ການວິເຄາະແບບພັນລະນາໃຫ້ພາບລວມເບື້ອງຕົ້ນຂອງການແຈກຢາຍຂອງໝວດໝູ່ຕ່າງໆ. ໂດຍສ່ວນຫຼາຍແລ້ວ, ການຄົ້ນພົບທີ່ສຳຄັນແມ່ນເຫັນໄດ້ຊັດເຈນຢູ່ທີ່ນີ້: ໝວດໝູ່ທີ່ໂດດເດັ່ນ, ຄວາມແຕກຕ່າງໃນການປະກອບລະຫວ່າງກຸ່ມຕ່າງໆ, ຫຼື ການມີໝວດໝູ່ "ຄີກ" ເນື່ອງຈາກຈຳນວນໜ້ອຍ ຫຼື ຫຼາຍຂອງມັນ.

4. ການສະແດງພາບທີ່ເໝາະສົມສຳລັບຂໍ້ມູນປະເພດ

ການສະແດງພາບຊ່ວຍໃຫ້ຜູ້ອ່ານເຂົ້າໃຈຮູບແບບຕ່າງໆໄດ້ຢ່າງວ່ອງໄວ. ຕາຕະລາງທົ່ວໄປ:

- ຕາຕະລາງແທ່ງ (ແຜນວາດແທ່ງ): ເໝາະສົມທີ່ສຸດສຳລັບຄ່າທີ່ກຳນົດໄວ້ ແລະ ຄ່າທີ່ກຳນົດໄວ້.
- ຕາຕະລາງແທ່ງທີ່ຊ້ອນກັນ (ແທ່ງທີ່ຊ້ອນກັນ): ດີສຳລັບການປຽບທຽບອົງປະກອບຂອງໝວດໝູ່ໃນຫຼາຍກຸ່ມ, ຕົວຢ່າງເຊັ່ນ ຄວາມພໍໃຈຕໍ່ສາຂາ.
– ຕາຕະລາງວົງກົມ: ສາມາດໃຊ້ໄດ້, ແຕ່ຈະມີປະສິດທິພາບໜ້ອຍກວ່າ ຖ້າມີຫຼາຍໝວດໝູ່ ຫຼື ມີຄວາມແຕກຕ່າງເລັກນ້ອຍ.
- ແຜນຜັງ Mosaic: ເປັນປະໂຫຍດສຳລັບການເບິ່ງຄວາມສຳພັນລະຫວ່າງສອງຕົວແປທີ່ຈັດປະເພດ.
- ຕາຕະລາງ Pareto: ຕາຕະລາງແທ່ງທີ່ມີລຳດັບຈາກຄວາມຖີ່ສູງສຸດຫາຕໍ່າສຸດ, ມັກໃຊ້ສຳລັບການວິເຄາະລຳດັບຄວາມສຳຄັນຂອງບັນຫາ.

ຄຳແນະນຳ: ສຳລັບຂໍ້ມູນລຳດັບ, ໃຫ້ຈັດຮຽງໝວດໝູ່ຕາມລະດັບ (ຕົວຢ່າງ, ຈາກ “ບໍ່ເຫັນດີຢ່າງຍິ່ງ” ຫາ “ເຫັນດີຢ່າງຍິ່ງ”), ບໍ່ແມ່ນຕາມຕົວອັກສອນ.

5. ການສ້າງ Crosstab

ຖ້າທ່ານຕ້ອງການເບິ່ງຄວາມສຳພັນລະຫວ່າງສອງຕົວແປໝວດໝູ່, ໃຫ້ໃຊ້ crosstab. ຕົວຢ່າງ, ຄວາມສຳພັນລະຫວ່າງ “ເພດ” ແລະ “ຄວາມມັກຂອງຜະລິດຕະພັນ” ຫຼື “ພາກພື້ນ” ແລະ “ສະຖານະການຊື້”.

ການວິເຄາະແບບ Crosstable ສ້າງຕາຕະລາງທີ່ສະແດງໃຫ້ເຫັນວ່າມີການສັງເກດການຈັກຢ່າງໃນການປະສົມປະສານຂອງໝວດໝູ່ສະເພາະ. ທ່ານສາມາດເພີ່ມ:

- ເປີເຊັນຕໍ່ແຖວ: ສຸມໃສ່ການແຈກຢາຍໝວດໝູ່ຖັນໃນແຕ່ລະແຖວ.
- ເປີເຊັນຕໍ່ຖັນ: ສຸມໃສ່ການແຈກຢາຍໝວດໝູ່ແຖວໃນແຕ່ລະຖັນ.
- ເປີເຊັນຂອງທັງໝົດ: ການປະກອບສ່ວນຂອງແຕ່ລະຈຸລັງຕໍ່ທັງໝົດ.

ຕາຕະລາງຄຣອສແທັກມັກຈະເປັນ "ຂົວ" ລະຫວ່າງການທົດສອບພັນລະນາ ແລະ ການທົດສອບທາງສະຖິຕິ.

6. ການທົດສອບ Chi-Square ສຳລັບຄວາມເປັນເອກະລາດ

ເພື່ອທົດສອບວ່າຕົວແປປະເພດສອງຕົວມີຄວາມກ່ຽວຂ້ອງກັນ ຫຼື ເປັນອິດສະຫຼະ, ການທົດສອບທີ່ພົບເລື້ອຍທີ່ສຸດແມ່ນການທົດສອບຄວາມເປັນເອກະລາດຂອງ Chi-Square (χ²). ສົມມຸດຕິຖານແມ່ນ:

- H0: ບໍ່ມີຄວາມສຳພັນ (ເປັນອິດສະຫຼະ)
– H1: ມີຄວາມສຳພັນ (ບໍ່ເປັນອິດສະຫຼະ)

ຖ້າຄ່າ p ແມ່ນ < ລະດັບຄວາມສຳຄັນ (ຕົວຢ່າງ, 0,05), ຫຼັງຈາກນັ້ນມີຫຼັກຖານຂອງຄວາມສຳພັນລະຫວ່າງສອງຕົວແປ. ໝາຍເຫດສຳຄັນບາງຢ່າງ: - ການທົດສອບ chi-square ຕ້ອງການຂໍ້ມູນຈຳນວນພຽງພໍ, ໂດຍສະເພາະຢູ່ໃນຄວາມຖີ່ທີ່ຄາດໄວ້. ຖ້າມີຈຸລັງຫຼາຍເກີນໄປທີ່ມີຈຳນວນທີ່ຄາດໄວ້ຕ່ຳ, ຜົນການທົດສອບອາດຈະບໍ່ຖືກຕ້ອງ. - ຖ້າຕົວຢ່າງມີຂະໜາດນ້ອຍ, ໃຫ້ພິຈາລະນາການທົດສອບ Fisher's Exact (ໂດຍສະເພາະສຳລັບຕາຕະລາງ 2x2). 7. ການວັດແທກຄວາມເຂັ້ມແຂງຂອງຄວາມສຳພັນ: Cramér's V ແລະ Phi ການທົດສອບ chi-square ຊີ້ບອກວ່າມີຄວາມສຳພັນຢູ່ຫຼືບໍ່, ແຕ່ບໍ່ໄດ້ບອກທ່ານວ່າມັນເຂັ້ມແຂງປານໃດ. ສຳລັບຈຸດປະສົງນີ້, ຂະໜາດຜົນກະທົບຖືກນໍາໃຊ້: - Phi (φ): ສຳລັບຕາຕະລາງ 2x2. - Cramér's V: ສຳລັບຕາຕະລາງທີ່ໃຫຍ່ກວ່າ 2x2. Cramér's V ມີຄ່າຕັ້ງແຕ່ 0–1: - ໃກ້ກັບ 0: ຄວາມສຳພັນທີ່ອ່ອນແອ - ໃກ້ກັບ 1: ຄວາມສຳພັນທີ່ເຂັ້ມແຂງ ໃນບົດລາຍງານ, ໃຫ້ກ່າວເຖິງຄ່າ p ແລະຂະໜາດຜົນກະທົບສຳລັບການຕີຄວາມໝາຍທີ່ສົມບູນ. 8. ການວິເຄາະຂໍ້ມູນລຳດັບ: ການທົດສອບສະຫະສຳພັນອັນດັບ ແລະ ແນວໂນ້ມ ຖ້າຂໍ້ມູນໝວດໝູ່ຂອງທ່ານເປັນລຳດັບ, ທ່ານສາມາດໃຊ້ວິທີການທີ່ຄຳນຶງເຖິງລຳດັບ, ຕົວຢ່າງ: - ສະຫະສຳພັນອັນດັບ Spearman (ສຳລັບຕົວແປລຳດັບສອງຕົວ ຫຼື ລຳດັບທຽບກັບຕົວເລກທີ່ບໍ່ແມ່ນປົກກະຕິ) - ສູດ Kendall's tau (ທາງເລືອກຂອງ Spearman, ມັກຈະໝັ້ນຄົງສຳລັບຕົວຢ່າງຂະໜາດນ້ອຍ) - ການທົດສອບແນວໂນ້ມໃນຕາຕະລາງສະຖານະການສຸກເສີນ, ເພື່ອເບິ່ງວ່າມີຮູບແບບການເພີ່ມຂຶ້ນ/ຫຼຸດລົງທີ່ສອດຄ່ອງກັນຫຼືບໍ່. ຕົວຢ່າງ: ລະດັບການສຶກສາ (ມັດທະຍົມຕອນປາຍ-ປະລິນຍາຕີ-ປະລິນຍາໂທ-ປະລິນຍາເອກ) ກ່ຽວຂ້ອງກັບລະດັບການຕົກລົງ (1–5) ໃນຮູບແບບທີ່ເພີ່ມຂຶ້ນບໍ? 9. ຮູບແບບການຄາດຄະເນ: ການຖົດຖອຍທາງໂລຈິດສະຕິກ ຖ້າເປົ້າໝາຍຂອງທ່ານບໍ່ພຽງແຕ່ເບິ່ງຄວາມສຳພັນ, ແຕ່ເພື່ອຄາດຄະເນໝວດໝູ່ໂດຍອີງໃສ່ຕົວແປອື່ນໆ, ໃຫ້ໃຊ້ການຖົດຖອຍ:

- ການວິເຄາະການຖົດຖອຍໂລຈິດສະຕິກແບບຖານສອງ: ສຳລັບຜົນຜະລິດສອງໝວດໝູ່ (ເຊັ່ນ: "ຊື້" ທຽບກັບ "ບໍ່ຊື້"). - ການວິເຄາະການຖົດຖອຍໂລຈິດສະຕິກແບບຫຼາຍຕົວເລກ: ສຳລັບຜົນຜະລິດທີ່ມີຫຼາຍກວ່າສອງໝວດໝູ່ທີ່ບໍ່ໄດ້ຈັດລຽງລຳດັບ (ເຊັ່ນ: "ແພັກເກດ A/B/C"). - ການວິເຄາະການຖົດຖອຍໂລຈິດສະຕິກແບບລຳດັບ: ສຳລັບຜົນຜະລິດປະເພດທີ່ຈັດລຽງລຳດັບ (ເຊັ່ນ: ຄວາມພໍໃຈ 1–5). ຂໍ້ດີຂອງການວິເຄາະການຖົດຖອຍໂລຈິດສະຕິກ: ທ່ານສາມາດລວມເອົາຕົວຄາດຄະເນຫຼາຍຄົນໃນເວລາດຽວກັນ (ອາຍຸ, ສະຖານທີ່, ຊ່ອງທາງການຕະຫຼາດ) ແລະໄດ້ຮັບການຕີຄວາມໝາຍໂດຍອີງໃສ່ອັດຕາສ່ວນໂອກາດ, ເຊັ່ນ: "ຄວາມເປັນໄປໄດ້ຂອງການຊື້ເພີ່ມຂຶ້ນ 1,8 ເທົ່າໃນກຸ່ມ X." 10. ການຕີຄວາມໝາຍຜົນໄດ້ຮັບ ແລະ ການຂຽນບົດສະຫຼຸບ ການວິເຄາະຂໍ້ມູນປະເພດທີ່ດີໄປໄກກວ່າຕົວເລກ, ແຕ່ຕອບຄຳຖາມການຄົ້ນຄວ້າຢ່າງຊັດເຈນ. ເມື່ອຂຽນບົດສະຫຼຸບ: - ລະບຸການແຈກຢາຍຫຼັກ (ເຊັ່ນ: "60% ຂອງຜູ້ຕອບແບບສອບຖາມພໍໃຈ"). - ຖ້າມີການທົດສອບຄວາມກ່ຽວຂ້ອງ, ໃຫ້ລາຍງານຄ່າ p ແລະຂະໜາດຜົນກະທົບ (ເຊັ່ນ: Cramér’s V). - ອະທິບາຍຄວາມສຳຄັນໃນທາງປະຕິບັດ: ບໍ່ວ່າຄວາມແຕກຕ່າງມີຄວາມສຳຄັນຕໍ່ນະໂຍບາຍ, ຍຸດທະສາດການຕະຫຼາດ, ຫຼື ການຕັດສິນໃຈຂອງອົງກອນ. - ຫຼີກລ່ຽງການອ້າງເຫດຜົນຖ້າຂໍ້ມູນເປັນການສັງເກດ. ການເຊື່ອມໂຍງບໍ່ໄດ້ໝາຍເຖິງສາເຫດສະເໝີໄປ. ການວິເຄາະຂໍ້ມູນແບບໝວດໝູ່ຮຽກຮ້ອງໃຫ້ມີຄວາມເຂົ້າໃຈກ່ຽວກັບປະເພດຂໍ້ມູນ (ຄ່າທີ່ກຳນົດໄວ້ ທຽບກັບ ຄ່າທີ່ກຳນົດໄວ້), ລາຍລະອຽດທີ່ຊັດເຈນກ່ຽວກັບຄວາມຖີ່, ການເບິ່ງເຫັນທີ່ເໝາະສົມ, ການວິເຄາະຕາຕະລາງຂ້າມ, ແລະ ການທົດສອບທາງສະຖິຕິເຊັ່ນ: ໄຄສະແຄວ ແລະ ຂະໜາດຜົນກະທົບເຊັ່ນ: Cramér's V. ສຳລັບຈຸດປະສົງການຄາດຄະເນ, ການຖົດຖອຍໂລຈິດສະຕິກແມ່ນເຄື່ອງມືທີ່ມີປະສິດທິພາບຫຼາຍ. ດ້ວຍຂັ້ນຕອນເຫຼົ່ານີ້, ທ່ານສາມາດປ່ຽນຂໍ້ມູນທີ່ຕິດສະຫຼາກໃຫ້ເປັນຄວາມເຂົ້າໃຈທາງສະຖິຕິທີ່ເປັນປະໂຫຍດຕໍ່ການຕັດສິນໃຈ. ຖ້າທ່ານຕ້ອງການ, ຂ້ອຍສາມາດຊ່ວຍທ່ານສ້າງການວິເຄາະຕົວຢ່າງ (ເຊັ່ນ: ການໃຊ້ Excel, SPSS, R, ຫຼື Python) ໂດຍອີງໃສ່ຊຸດຂໍ້ມູນ ຫຼື ການສຶກສາກໍລະນີຂອງທ່ານ.