စာရင်းအင်းပညာတွင် အချက်ခွဲခြမ်းစိတ်ဖြာခြင်း
စာရင်းအင်းပညာဆိုသည်မှာ အချက်အလက်စုဆောင်းခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် တင်ပြခြင်းတို့ကို ကိုင်တွယ်ဖြေရှင်းသည့် သိပ္ပံပညာ၏ ဌာနခွဲတစ်ခုဖြစ်သည်။ ခိုင်မာသော စာရင်းအင်းနည်းလမ်းသည် သုတေသီများအား နမူနာတစ်ခုမှ လူဦးရေတစ်ခုအကြောင်း တရားဝင်ပြီး အသိပညာဗဟုသုတရှိသော ကောက်ချက်များကို ရေးဆွဲနိုင်စေပါသည်။ စာရင်းအင်းပညာတွင် အရေးကြီးသော နည်းပညာတစ်ခုမှာ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြစ်သည်။ ဤဆောင်းပါးသည် အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုကား အဘယ်နည်း၊ ၎င်းကို မည်သို့အသုံးချသည်နှင့် ၎င်း၏အသုံးဝင်မှုကို ဆုံးဖြတ်ပေးသည့်အချက်များကို ဆွေးနွေးပါမည်။
Factor Analysis မိတ်ဆက်
Factor analysis သည် ဒေတာအစုအဝေးတစ်ခုအတွင်းရှိ အခြေခံဖွဲ့စည်းပုံများကို ရှာဖွေတွေ့ရှိရန် ရည်ရွယ်ချက်ဖြင့် တိုင်းတာထားသော variable အများအပြားကြား ဆက်နွယ်မှုများကို စူးစမ်းလေ့လာရန် အသုံးပြုသည့် multivariate နည်းစနစ်တစ်ခုဖြစ်သည်။ ဤနည်းစနစ်ကို လူမှုရေးသိပ္ပံ၊ စိတ်ပညာ၊ စျေးကွက်ရှာဖွေရေး၊ စီမံခန့်ခွဲမှု၊ ဇီဝဗေဒနှင့် အခြားနယ်ပယ်များစွာတွင် အဓိကအသုံးပြုသည်။ factor analysis ၏ အဓိကရည်မှန်းချက်မှာ တွေ့ရှိထားသော variable အများအပြားကို အခြေခံ သို့မဟုတ် latent factors အနည်းငယ်အထိ လျှော့ချရန်ဖြစ်ပြီး၊ ၎င်းကို constructs သို့မဟုတ် latent variable များဟုလည်း လူသိများသည်။
အချက်ခွဲခြမ်းစိတ်ဖြာမှုကို အဓိကအမျိုးအစားနှစ်မျိုးခွဲခြားနိုင်သည်- exploratory factor analysis (EFA) နှင့် confirmatory factor analysis (CFA)။
စူးစမ်းလေ့လာသည့်အချက် ခွဲခြမ်းစိတ်ဖြာခြင်း (EFA)
EFA ကို သုတေသီများသည် အချက်အလက်အစုတစ်ခုရှိ ဖွဲ့စည်းပုံ သို့မဟုတ် အချက်အရေအတွက်နှင့် ပတ်သက်၍ တိကျသောယူဆချက်မရှိသည့်အခါတွင် အသုံးပြုသည်။ သုတေသန၏ အစောပိုင်းအဆင့်များတွင် EFA ၏ ရည်မှန်းချက်မှာ ခိုင်မာသောယူဆချက်များမပါဘဲ အခြေခံပုံစံများ သို့မဟုတ် ဖွဲ့စည်းပုံများကို ရှာဖွေတွေ့ရှိရန်ဖြစ်သည်။
အတည်ပြုအချက် ခွဲခြမ်းစိတ်ဖြာခြင်း (CFA)
အခြားတစ်ဖက်တွင်မူ CFA ကို သုတေသီများသည် အချက်အရေအတွက်နှင့် တိုင်းတာထားသော ကိန်းရှင်များအကြား ဆက်နွယ်မှုနှင့်ပတ်သက်၍ ရှင်းလင်းသော ယူဆချက်များရှိသည့်အခါတွင် အသုံးပြုသည်။ CFA သည် အတွေ့အကြုံဆိုင်ရာဒေတာသည် ယူဆချက်တင်ထားသော မော်ဒယ်ကို ထောက်ခံမှုရှိမရှိ စမ်းသပ်ရန် ရည်ရွယ်သည်။
အချက်ခွဲခြမ်းစိတ်ဖြာခြင်းလုပ်ငန်းစဉ်
factor analysis လုပ်ငန်းစဉ်တွင် SPSS၊ SAS သို့မဟုတ် R ကဲ့သို့သော စာရင်းအင်းဆော့ဖ်ဝဲလ်များ၏ အခန်းကဏ္ဍပါဝင်လေ့ရှိသည့် စနစ်တကျလုပ်ဆောင်ရမည့် အဆင့်များစွာ လိုအပ်ပါသည်။
၂။ အချက်အလက်စုဆောင်းခြင်း
ပထမအဆင့်မှာ သတ်မှတ်ထားသော variable များအပေါ် တိုင်းတာထားသော data များကို စုဆောင်းခြင်းဖြစ်သည်။ ဤ data ကို စစ်တမ်းများ၊ စိတ်ပိုင်းဆိုင်ရာ တိုင်းတာမှုများ သို့မဟုတ် အခြားသက်ဆိုင်ရာ စစ်ဆေးမှုပုံစံများဖြင့် ပြုလုပ်နိုင်သည်။
၂။ ဆက်စပ်မှု မက်ထရစ် တွက်ချက်မှု
နောက်တစ်ဆင့်မှာ တွေ့ရှိထားသော variable များအကြား correlation matrix တစ်ခုကို တွက်ချက်ရန်ဖြစ်သည်။ ဤ correlation matrix သည် variable များအကြား uniformity ကို ဖော်ထုတ်ရန်နှင့် underlying common factor များကို ထောက်လှမ်းရန်အတွက် အခြေခံကို ပံ့ပိုးပေးပါသည်။
၃။ အချက်ထုတ်ယူခြင်း
ဤအဆင့်တွင်၊ ထုတ်ယူခြင်းနည်းပညာများကို တွေ့ရှိရသော variable များ၏ အခြေခံအချက်အများအပြားကို ထုတ်ပေးရန်နှင့် ဆုံးဖြတ်ရန် အသုံးပြုသည်။ factor ထုတ်ယူခြင်းအတွက် လူကြိုက်များသော နည်းလမ်းအချို့တွင် Principal Component Analysis (PCA) နှင့် Principal Axis Factoring (PAF) ပါဝင်သည်။
၄။ အချက်အချာလှည့်ခြင်း
factor များကို ထုတ်ယူပြီးနောက်၊ နောက်တစ်ဆင့်မှာ factor rotation ဖြစ်သည်။ ဤနည်းစနစ်သည် factor များ၏ ဖွဲ့စည်းပုံကို ရှင်းလင်းစေရန်နှင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုကို မြှင့်တင်ရန် ရည်ရွယ်သည်။ အသုံးအများဆုံး rotation နည်းလမ်းများမှာ orthogonal rotation (ဥပမာ Varimax) နှင့် oblique rotation တို့ဖြစ်သည်။
၅။ အချက်များ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် အမည်ပေးခြင်း
ထို့နောက် သုတေသီများသည် စစ်ဆေးသူ ကိန်းရှင်များ၏ factor loading များအပေါ် အခြေခံ၍ အချက်များကို အကဲဖြတ်ပြီး အဓိပ္ပာယ်ဖွင့်ဆိုကြသည်။ အချက်တစ်ခုစီတွင် အများဆုံး loading ရှိသော အရာများအပေါ် အခြေခံ၍ အချက်များကို အမည်ပေးကြသည်။
၆။ မော်ဒယ်သင့်လျော်မှုတိုင်းတာခြင်း
နောက်ဆုံးအဆင့်ကတော့ ရရှိလာတဲ့ factor analysis model ဟာ data နဲ့ ကိုက်ညီမှုရှိမရှိ သေချာစေဖို့ model fit ကို စစ်ဆေးဖို့ပါပဲ။ အသုံးများတဲ့ fit index အချို့မှာ Chi-Squared Test၊ Root Mean Square Error of Approximation (RMSEA)၊ Comparative Fit Index (CFI) နဲ့ အခြားတွေ ဖြစ်ပါတယ်။
Factor Analysis အသုံးချမှု
Factor analysis ကို လက်တွေ့အခြေအနေအမျိုးမျိုးနှင့် သုတေသနနယ်ပယ်အမျိုးမျိုးတွင် အသုံးချနိုင်ပါသည်။
၁။ စိတ်ပညာနှင့် လူမှုရေးသိပ္ပံ
စိတ်ပညာတွင်၊ ကိုယ်ရည်ကိုယ်သွေးစစ်ဆေးမှုများ သို့မဟုတ် စိတ်ကျန်းမာရေးလက္ခဏာမေးခွန်းလွှာများကဲ့သို့သော စိတ်ပိုင်းဆိုင်ရာတိုင်းတာမှုများကို ရရှိရန် factor analysis ကို မကြာခဏအသုံးပြုလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ မေးခွန်းလွှာပေါ်ရှိ အရာများစွာကို ရှုထောင့်များစွာ သို့မဟုတ် အချက်များစွာအဖြစ် လျှော့ချနိုင်ပြီး၊ တစ်ခုချင်းစီသည် လူတစ်ဦး၏ ကိုယ်ရည်ကိုယ်သွေး သို့မဟုတ် စိတ်ပိုင်းဆိုင်ရာအခြေအနေ၏ မတူညီသောရှုထောင့်ကို ကိုယ်စားပြုသည်။
၂။ စျေးကွက်ရှာဖွေရေးနှင့် စားသုံးသူသုတေသန
စျေးကွက်ရှာဖွေရေးတွင်၊ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာခြင်းကို စားသုံးသူဝိသေသလက္ခဏာများ သို့မဟုတ် ဝယ်ယူမှုအပြုအမူအမျိုးမျိုးကို နားလည်ရန်အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ ထုတ်ကုန်ဦးစားပေးမှုများ၊ ဈေးဝယ်အလေ့အထများနှင့် ဝင်ငွေကဲ့သို့သော စားသုံးသူအပြုအမူနှင့် ဆက်စပ်သော variable များကို ဈေးကွက်အပိုင်းအခြားကိုကိုယ်စားပြုသည့် သီးခြားအုပ်စုများ သို့မဟုတ် အချက်များအဖြစ် အုပ်စုဖွဲ့နိုင်သည်။
၆။ ပညာရေး
ပညာရေးတွင်၊ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုကို ပညာရေးဆိုင်ရာစာမေးပွဲများ သို့မဟုတ် သင်ယူမှုအပေါ် သဘောထားမေးခွန်းလွှာများကဲ့သို့သော တိုင်းတာရေးကိရိယာများ ဖွံ့ဖြိုးတိုးတက်စေရန် အသုံးပြုနိုင်ပါသည်။ ဖော်ထုတ်ထားသော အချက်များသည် သင်ရိုးညွှန်းတမ်း သို့မဟုတ် သင်ကြားရေးဗျူဟာများကို ရိုးရှင်းစေပြီး ဖွဲ့စည်းတည်ဆောက်ရာတွင် အထောက်အကူဖြစ်စေနိုင်ပါသည်။
၄။ ဇီဝဗေဒနှင့် ကျန်းမာရေး
ဇီဝဗေဒနှင့် ကျန်းမာရေးတွင်၊ factor analysis ကို စမ်းသပ်ချက်များ သို့မဟုတ် ရောဂါဗေဒဆိုင်ရာ လေ့လာမှုများမှ အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ သီးခြား ကျန်းမာရေးအန္တရာယ်အချက်များ သို့မဟုတ် ဇီဝဗေဒဆိုင်ရာ ပုံစံများကို ဖော်ထုတ်ပြီး ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်သည်။
ကန့်သတ်ချက်များနှင့် စိန်ခေါ်မှုများ
factor analysis သည် အလွန်အသုံးဝင်သောကိရိယာတစ်ခုဖြစ်သော်လည်း ၎င်းတွင် ၎င်း၏ကိုယ်ပိုင်ကန့်သတ်ချက်များနှင့် စိန်ခေါ်မှုများရှိသည်။
လိုင်းနိုက်ဇေးရှင်း ယူဆချက်
အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုသည် ကိန်းရှင်များအကြား ဆက်နွယ်မှုသည် မျဉ်းဖြောင့်ဖြစ်သည်ဟု ယူဆသည်။ လက်တွေ့ဘဝကိစ္စများစွာတွင် ဤဆက်နွယ်မှုသည် မျဉ်းဖြောင့်မဟုတ်နိုင်ဘဲ ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များကို ထိခိုက်စေနိုင်သည်။
အမည်ပေးခြင်းတွင် ကိုယ်ရေးကိုယ်တာဆန်မှု
အချက်များကို အမည်ပေးခြင်းမှာ များသောအားဖြင့် ကိုယ်ရေးကိုယ်တာကိစ္စဖြစ်ပြီး အဓိပ္ပာယ်ဖွင့်ဆိုချက်များသည် သုတေသီတစ်ဦးနှင့်တစ်ဦး မတူညီနိုင်ပါ။ ဤလုပ်ငန်းစဉ်သည် အချက်အလက်၏ နောက်ခံအခြေအနေကို နက်ရှိုင်းစွာ ထိုးထွင်းသိမြင်မှုနှင့် နားလည်မှု လိုအပ်ပါသည်။
နမူနာကြီး လိုအပ်ချက်
အချက်အလက်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ယုံကြည်စိတ်ချရသောရလဒ်များထုတ်လုပ်ရန်အတွက် နမူနာအရွယ်အစားကြီးမားရန် လိုအပ်လေ့ရှိသည်။ နမူနာအရွယ်အစားကန့်သတ်ချက်များသည် ဖော်ထုတ်ထားသောအချက်များ၏ ယုံကြည်စိတ်ချရမှုကို ထိခိုက်နိုင်သည်။
အဝတ်အစား
အလွန်ရှုပ်ထွေးသော မော်ဒယ်ကိုအသုံးပြုပါက CFA တွင် overfitting ဖြစ်နိုင်ချေရှိပါသည်။ ၎င်းသည် လက်ရှိဒေတာနှင့် ကိုက်ညီပုံရသော်လည်း ဒေတာအသစ်များတွင် အသုံးပြုသောအခါတွင် ယုံကြည်စိတ်ချရမှု နည်းပါးသော မော်ဒယ်တစ်ခုကို ဖြစ်ပေါ်စေနိုင်သည်။
နိဂုံး
အလုံးစုံသော်၊ factor analysis သည် အခြားဘာသာရပ်များအပါအဝင် multivariate research တွင် အဖိုးမဖြတ်နိုင်သောကိရိယာတစ်ခုဖြစ်သည်။ စနစ်တကျလုပ်ငန်းစဉ်တစ်ခုမှတစ်ဆင့် ဤနည်းစနစ်သည် သုတေသီများအား data ရှိ latent structure များကို ခွဲခြားသတ်မှတ်နိုင်စေပြီး၊ ရှုပ်ထွေးမှုကို ရိုးရှင်းစေပြီး variable များအကြား ဆက်နွယ်မှုများအကြောင်း ပိုမိုထက်မြက်သော ကောက်ချက်များချနိုင်စေပါသည်။ ၎င်းသည် အချို့သောစိန်ခေါ်မှုများနှင့် ကန့်သတ်ချက်များကို တင်ပြသော်လည်း၊ factor analysis ကို ကောင်းမွန်စွာနားလည်ခြင်းနှင့် အသုံးချခြင်းသည် သုတေသနဆိုင်ရာရှုထောင့်အမျိုးမျိုးတွင် နက်ရှိုင်းပြီး အဖိုးတန်သော ထိုးထွင်းသိမြင်မှုများကို ရရှိစေနိုင်သည်။
