ကွဲလွဲမှု ခွဲခြမ်းစိတ်ဖြာခြင်း မိတ်ဆက်

Variance ခွဲခြမ်းစိတ်ဖြာခြင်းနိဒါန်း

Analysis of Variance (ANOVA) သည် အုပ်စုများအကြား ပျမ်းမျှကွာခြားချက်များကို နားလည်ရန်အသုံးပြုသည့် အခြေခံစာရင်းအင်းနည်းစနစ်တစ်ခုဖြစ်သည်။ ဤနည်းစနစ်သည် စိတ်ပညာ၊ လူမှုဗေဒ၊ ဇီဝဗေဒ၊ စီးပွားရေးနှင့် အခြားဘာသာရပ်များစွာတွင် အလွန်အသုံးဝင်ပါသည်။ ဤဆောင်းပါးတွင်၊ ANOVA ၏ အခြေခံသဘောတရားများ၊ ၎င်း၏အမျိုးအစားများ၊ အခြေခံယူဆချက်များ၊ အကောင်အထည်ဖော်မှုအဆင့်များနှင့် ၎င်း၏အသုံးချမှုဥပမာများကို ရှင်းပြပါမည်။

Variance ခွဲခြမ်းစိတ်ဖြာခြင်းကို နားလည်ခြင်း

ANOVA ဆိုသည်မှာ အုပ်စုနှစ်ခု သို့မဟုတ် နှစ်ခုထက်ပိုသော အုပ်စုများ၏ ပျမ်းမျှကွာခြားချက်ကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်ရှိမရှိ စမ်းသပ်ရန်အသုံးပြုသည့် နည်းစနစ်တစ်ခုဖြစ်သည်။ ဤနည်းစနစ်ကို ၂၀ ရာစုအစောပိုင်းတွင် Sir Ronald Fisher မှ မိတ်ဆက်ခဲ့သည်။ အခြေခံအားဖြင့် ANOVA သည် အုပ်စုများအကြား ကွဲပြားမှုကို အုပ်စုများအတွင်း ကွဲပြားမှုနှင့် နှိုင်းယှဉ်ပြီး အုပ်စုများအကြား ပျမ်းမျှကွာခြားချက်သည် ကျပန်းနမူနာယူခြင်းဖြင့် မျှော်လင့်ထားသည်ထက် ပိုမိုများပြားခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်သည်။

ANOVA အမျိုးအစားများ

အသုံးများသော ANOVA အမျိုးအစားများစွာရှိပြီး ၎င်းတို့မှာ-

၁။ တစ်လမ်းသွား ANOVA:
ဤခွဲခြမ်းစိတ်ဖြာမှုကို ကျွန်ုပ်တို့တွင် factor သို့မဟုတ် လွတ်လပ်သော variable တစ်ခုရှိပြီး ထို variable ကိုအခြေခံ၍ အုပ်စုနှစ်ခု သို့မဟုတ် နှစ်ခုထက်ပိုသောအုပ်စုများအကြား ပျမ်းမျှကွာခြားချက်ကို စမ်းသပ်လိုသည့်အခါတွင် အသုံးပြုပါသည်။

၂။ နှစ်လမ်းသွား ANOVA:
ကျွန်ုပ်တို့တွင် factor နှစ်ခု သို့မဟုတ် independent variable နှစ်ခုရှိပြီး နှစ်ခုစလုံးသည် dependent variable ပေါ်တွင် တစ်ပြိုင်နက်တည်း သက်ရောက်မှုကို စမ်းသပ်လိုသည့်အခါတွင် အသုံးပြုသည်။

၃။ ထပ်ခါတလဲလဲ တိုင်းတာမှုများ ANOVA:
ဤခွဲခြမ်းစိတ်ဖြာမှုကို တူညီသောဘာသာရပ်ကို မတူညီသောအချိန်များတွင် သို့မဟုတ် မတူညီသောအခြေအနေများအောက်တွင် တိုင်းတာသည့်အခါ အသုံးပြုသည်။

၄။ ANCOVA (Covariance ခွဲခြမ်းစိတ်ဖြာခြင်း):
၎င်းသည် ANOVA နှင့် regression ပေါင်းစပ်မှုတစ်ခုဖြစ်ပြီး confounding variables (covariates) ကို ထိန်းချုပ်ရန်အသုံးပြုသည်။

ANOVA ယူဆချက်များ

ANOVA ကို အသုံးမပြုမီ ရရှိလာသော ရလဒ်များ မှန်ကန်ကြောင်း သက်သေပြနိုင်ရန် ကိုက်ညီရမည့် ယူဆချက်များစွာ ရှိပါသည်။

၁။ ပုံမှန်ဖြစ်မှု- အုပ်စုတစ်ခုစီမှ ဒေတာကို ပုံမှန်ဖြန့်ဝေသည်ဟု ယူဆသည်။
၂။ တစ်သားတည်းဖြစ်မှု- အုပ်စုများအကြား အချက်အလက်များ၏ ကွဲလွဲမှုသည် တစ်သားတည်းဖြစ်ရမည် သို့မဟုတ် တသမတ်တည်းဖြစ်ရမည်။
၃။ လွတ်လပ်မှု- အချက်အလက်များရှိ လေ့လာတွေ့ရှိချက်များသည် တစ်ခုနှင့်တစ်ခု လွတ်လပ်ရမည်။

ဤယူဆချက်များထဲမှ တစ်ခုခု မကိုက်ညီပါက ANOVA ရလဒ်များသည် ဘက်လိုက်မှုရှိနိုင်သောကြောင့် ကနဦးစမ်းသပ်မှုများနှင့် အခြားနည်းလမ်းများ လိုအပ်နိုင်ပါသည်။

ANOVA ကို အကောင်အထည်ဖော်ရန် ခြေလှမ်းများ

၁။ ယူဆချက် ဖော်မြူလာ
ယူဆချက်ဖော်မြူလာတွင် အုပ်စုများအကြား ပျမ်းမျှတွင် ကွာခြားချက်မရှိကြောင်း ဖော်ပြသည့် Null Hypothesis (H0) နှင့် မတူညီသော ပျမ်းမျှများရှိသော အုပ်စု အနည်းဆုံး အတွဲတစ်တွဲရှိကြောင်း ဖော်ပြသည့် Alternative Hypothesis (H1) တို့ ပါဝင်သည်။

ယူဆချက်၏ ဥပမာ-
– H0 : µ1 = µ2 = µ3 (အုပ်စုများအကြား ပျမ်းမျှတွင် ကွာခြားချက်မရှိပါ)
– H1 : မတူညီသော နည်းလမ်းများရှိသော အနည်းဆုံး အုပ်စုတစ်စုံ ရှိသည်

၂။ အုပ်စုများအကြားနှင့် အုပ်စုများအတွင်း ပြောင်းလဲမှုတွက်ချက်ခြင်း

ကွဲလွဲမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်းတွင် ကွဲလွဲမှု အမျိုးအစားနှစ်မျိုး ပါဝင်သည်-
– အုပ်စုအကြား ပြောင်းလဲမှု- အုပ်စုပျမ်းမျှကွာခြားချက်ကို တိုင်းတာသည်။
– အုပ်စုအတွင်း ကွဲလွဲမှု- အုပ်စုအတွင်း ကွဲလွဲမှုကို တိုင်းတာသည်။

၃။ F-တန်ဖိုး တွက်ချက်ခြင်း

F-တန်ဖိုးသည် Mean Square Between (MSB) နှင့် Mean Square Within (MSW) အကြား အချိုးဖြစ်သည်-

\[ F = \frac{MSB}{MSW} \]

ဘယ်နေရာ:
\[ MSB = \frac{SSB}{dfB} \]
\[ MSW = \frac{SSW}{dfW} \]

SSB နှင့် SSW တို့သည် အုပ်စုများအကြားနှင့် အုပ်စုများအတွင်း စတုရန်းများ၏ ပေါင်းလဒ်ဖြစ်ပြီး၊ dfB နှင့် dfW တို့သည် အုပ်စုများနှင့် အုပ်စုများအတွင်း လွတ်လပ်မှုဒီဂရီများ ဖြစ်သည်။

၄။ ဝေဖန်ပိုင်းခြားတန်ဖိုးနှင့် နှိုင်းယှဉ်ပါ

ရရှိလာသော F-တန်ဖိုးကို F-ဖြန့်ဖြူးမှုဇယားမှ အရေးပါသော F-တန်ဖိုးနှင့် သိသာထင်ရှားသောအဆင့်တစ်ခုဖြင့် (ဥပမာ- 0,05) နှိုင်းယှဉ်သည်။ F-တန်ဖိုးသည် အရေးပါသောတန်ဖိုးထက် ပိုများပါက အနည်းဆုံး မတူညီသောအုပ်စုပျမ်းမျှတစ်ခုရှိကြောင်း ခန့်မှန်းခြင်းဖြစ်သည်။

၅။ ဟော့ခ်ပြီးနောက် စမ်းသပ်မှု

ANOVA ရလဒ်များက သိသာထင်ရှားသော ကွဲပြားချက်များကို ပြသပါက၊ နောက်တစ်ဆင့်မှာ မည်သည့်အုပ်စုအတွဲများ ကွာခြားသည်ကို ဆုံးဖြတ်ရန် post-hoc စမ်းသပ်မှုကို ပြုလုပ်ရန်ဖြစ်သည်။ အသုံးများသော post-hoc စမ်းသပ်မှုအချို့မှာ Tukey၊ Scheffé နှင့် Bonferroni တို့ဖြစ်သည်။

ANOVA လျှောက်လွှာ၏ ဥပမာ

ကျောင်းသားအောင်မြင်မှုအပေါ် သင်ကြားနည်းသုံးမျိုး၏ ထိရောက်မှုကို စမ်းသပ်လိုသည်ဆိုပါစို့။ ဤလေ့လာမှုတွင်၊ လွတ်လပ်သောကိန်းရှင်မှာ သင်ကြားနည်း (A၊ B နှင့် C) ဖြစ်ပြီး၊ မှီခိုကိန်းရှင်မှာ ကျောင်းသားစာမေးပွဲရမှတ်များဖြစ်သည်။

အဆင့် ၁: ယူဆချက်ကို ဖော်ထုတ်ခြင်း

– H0 : သင်ကြားရေးနည်းလမ်း A၊ B နှင့် C အကြား ပျမ်းမျှစာမေးပွဲရမှတ်များတွင် ကွာခြားချက်မရှိပါ။
– H1 : သင်ကြားရေးနည်းလမ်း အနည်းဆုံး တစ်စုံ၏ ပျမ်းမျှစာမေးပွဲရမှတ်များတွင် ကွာခြားချက်ရှိသည်။

အဆင့် ၁: ဒေတာစုဆောင်းခြင်း

နည်းလမ်း A၊ B နှင့် C ဖြင့် သင်ကြားပေးသော ကျောင်းသားများထံမှ စာမေးပွဲရမှတ်များကို စုဆောင်းထားသည်ဆိုပါစို့။

အဆင့် ၃: ပြောင်းလဲနိုင်မှုကို တွက်ချက်ခြင်း

ရရှိလာသောဒေတာအပေါ်အခြေခံ၍ SSB၊ SSW၊ MSB နှင့် MSW တို့ကိုတွက်ချက်ပါ။

အဆင့် ၄: F-တန်ဖိုးများကို တွက်ချက်ခြင်းနှင့် နှိုင်းယှဉ်ခြင်း

F-တန်ဖိုးကို တွက်ချက်ပြီး အရေးပါသောတန်ဖိုးနှင့် နှိုင်းယှဉ်ပါ။

အဆင့် ၅: Post-Hoc စမ်းသပ်မှု

F-တန်ဖိုးသည် သိသာထင်ရှားသော ကွာခြားချက်ကို ညွှန်ပြပါက မည်သည့်သင်ကြားနည်းသည် သိသာထင်ရှားစွာ ကွာခြားသည်ကို သိရှိနိုင်ရန် post-hoc စမ်းသပ်မှုဖြင့် ဆက်လက်လုပ်ဆောင်ပါ။

နိဂုံး

အုပ်စုများအကြား သိသာထင်ရှားသော ကွာခြားချက်များကို အကဲဖြတ်ရန်အတွက် ကွဲလွဲမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်းသည် အစွမ်းထက်သောကိရိယာတစ်ခုဖြစ်သည်။ ANOVA ကို နားလည်ခြင်းနှင့် မှန်ကန်စွာအသုံးချခြင်းတွင် ပါဝင်ပတ်သက်သော ယူဆချက်များနှင့် အဆင့်များကို သေချာစွာနားလည်ရန် လိုအပ်သည်။ ၎င်းသည် ပိုမိုနက်ရှိုင်းသော သုတေသနပြုလုပ်ခြင်းနှင့် ရလဒ်များ၏ ပိုမိုတရားဝင်မှုကို ခွင့်ပြုသည်။

ANOVA အမျိုးအစားအမျိုးမျိုးကို နားလည်ခြင်းအားဖြင့် သုတေသီများသည် ၎င်းတို့၏ စမ်းသပ်မှုဒီဇိုင်းနှင့် အချက်အလက်များနှင့် အကိုက်ညီဆုံး နည်းလမ်းကို ရွေးချယ်နိုင်ပါသည်။ ANOVA ၏ အခြေခံယူဆချက်များကို နားလည်ပြီး နိဂုံးချုပ်ခြင်းမပြုမီ လိုအပ်သော စစ်ဆေးမှုများ ပြုလုပ်ပါ၊ သို့မှသာ ရရှိလာသော ရလဒ်များသည် ယုံကြည်စိတ်ချရပြီး သိပ္ပံအသိုင်းအဝိုင်းမှ လက်ခံနိုင်မည်ဖြစ်သည်။