စမ်းသပ်ဒီဇိုင်းတွင် စာရင်းအင်းများ

စမ်းသပ်ဒီဇိုင်းတွင် စာရင်းအင်းများ

စမ်းသပ်မှုဒီဇိုင်းသည် သိပ္ပံနည်းကျသုတေသနတွင် အထူးသဖြင့် အဓိကရည်မှန်းချက်မှာ တုံ့ပြန်မှုကိန်းရှင်တစ်ခုအပေါ် ကုသမှု၏အကျိုးသက်ရောက်မှုကို စမ်းသပ်ရန်ဖြစ်သည့်အခါ အလွန်အရေးကြီးသော အခြေခံအုတ်မြစ်တစ်ခုဖြစ်သည်။ သို့သော် "သပ်ရပ်လှပသော" စမ်းသပ်မှုတစ်ခုသည် မှန်ကန်သောနိဂုံးချုပ်ချက်များကို ရရှိစေမည်မဟုတ်ပါ။ စာရင်းအင်းပညာသည် ဤနေရာတွင် အရေးပါသည်- သုတေသီများအား စမ်းသပ်မှုများကို ထိရောက်စွာစီစဉ်ရန်၊ မလိုလားအပ်သောကွဲလွဲမှုများကို ထိန်းချုပ်ရန်၊ အချက်အလက်များကို တိကျစွာခွဲခြမ်းစိတ်ဖြာရန်နှင့် ကောင်းမွန်သောနိဂုံးချုပ်ချက်များဆွဲရန် ကူညီပေးသည်။ ဤဆောင်းပါးသည် စီစဉ်ခြင်းမှ ရလဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းအထိ စမ်းသပ်မှုဒီဇိုင်းအတွက် စာရင်းအင်းပညာသည် မည်သို့အဓိကကျသည်ကို ဆွေးနွေးထားသည်။

၁။ စမ်းသပ်မှုများတွင် စာရင်းအင်းပညာသည် အဘယ်ကြောင့် အရေးကြီးသနည်း။

လက်တွေ့တွင်၊ စမ်းသပ်ဒေတာများတွင် ကွဲပြားမှုများ ပါဝင်လေ့ရှိသည်- ဘာသာရပ်များအကြား ကွာခြားချက်များ၊ ပတ်ဝန်းကျင်အခြေအနေများ ပြောင်းလဲမှုများ၊ မစုံလင်သော တိုင်းတာသည့်ကိရိယာများနှင့် လူသားအချက်များပင်။ စာရင်းအင်းဆိုင်ရာ ချဉ်းကပ်မှုမရှိပါက၊ သုတေသီများသည် အခြားအချက်များ (ရှုပ်ထွေးခြင်း) သို့မဟုတ် ရိုးရိုးလေး (ကျပန်းပြောင်းလဲမှု) ၏ လွှမ်းမိုးမှုကို ခံရသည့်အခါ ပြောင်းလဲမှုသည် ကုသမှုကြောင့်ဖြစ်သည်ဟု မှားယွင်းစွာ ကောက်ချက်ချနိုင်သည်။

စာရင်းအင်းပညာသည် အဓိကမေးခွန်းတစ်ခုကို ဖြေဆိုရာတွင် အထောက်အကူဖြစ်စေသည်- တွေ့ရှိရသည့် ကွာခြားချက်သည် လုံလောက်ပြီး တိုက်ဆိုင်မှုတစ်ခုတည်းဖြင့် မဖြစ်နိုင်လောက်အောင် ကြီးမားပါသလား။ တစ်နည်းအားဖြင့်ဆိုရသော် စာရင်းအင်းပညာသည် သုတေသီများအား “အချက်ပြမှု” (ကုသမှု၏အကျိုးသက်ရောက်မှု) နှင့် “ဆူညံသံ” (ကျပန်းပြောင်းလဲမှု) ကို ခွဲခြားသိမြင်နိုင်စေပါသည်။

၂။ စမ်းသပ်မှုဒီဇိုင်း၏ အခြေခံသဘောတရားများ

ယေဘုယျအားဖြင့် ကောင်းမွန်သော စမ်းသပ်မှုဒီဇိုင်းတွင် အဓိကမူသုံးခုရှိသည်-

၁။ ကျပန်းပြုလုပ်ခြင်း
ကျပန်းပြုလုပ်ခြင်းဆိုသည်မှာ စမ်းသပ်ယူနစ်များ (ဥပမာ- အပင်များ၊ တိရစ္ဆာန်များ၊ အတန်းများ၊ လူနာများ၊ စက်များ) သို့ ကုသမှုများကို ကျပန်းသတ်မှတ်ခြင်း လုပ်ငန်းစဉ်ဖြစ်သည်။ ရည်မှန်းချက်မှာ ဘက်လိုက်မှုကို လျှော့ချရန်နှင့် ရှုပ်ထွေးစေသောအချက်များကို ကျပန်းဖြန့်ဝေရန်ဖြစ်ပြီး ၎င်းတို့သည် ကုသမှုတစ်ခုကို အခြားကုသမှုတစ်ခုထက် စနစ်တကျ မျက်နှာသာမပေးမိစေရန်ဖြစ်သည်။

၂။ ပုံတူကူးခြင်း
ပုံတူကူးခြင်းဆိုသည်မှာ ယူနစ်များစွာပေါ်တွင် ကုသမှုတစ်ခုကို ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းကို ဆိုလိုသည်။ ပုံတူကူးခြင်းဖြင့် သုတေသီများသည် သဘာဝပြောင်းလဲမှုကို ခန့်မှန်းနိုင်ပြီး ကုသမှုများကို နှိုင်းယှဉ်ခြင်း၏ တိကျမှုကို မြှင့်တင်နိုင်သည်။ ပုံတူကူးမှုများလေ (နှင့် ပိုမိုသင့်လျော်လေ)၊ ခန့်မှန်းထားသော ကုသမှုအကျိုးသက်ရောက်မှု ပိုမိုတည်ငြိမ်လေဖြစ်သည်။

၃။ ပိတ်ဆို့ခြင်း (ပြောင်းလဲမှုထိန်းချုပ်မှု)
စမ်းသပ်ယူနစ်များတွင် လယ်ကွင်းတည်နေရာ၊ ထုတ်လုပ်မှုအသုတ် သို့မဟုတ် အသက်အုပ်စု ကွာခြားချက်များကဲ့သို့သော ခန့်မှန်းနိုင်သော မတူကွဲပြားမှုများရှိသည့်အခါ ပိတ်ဆို့ခြင်းကို အသုံးပြုသည်။ အလားတူယူနစ်များကို ဘလောက်များအဖြစ် အုပ်စုဖွဲ့ပြီးနောက် ကုသမှုများကို ဘလောက်များအတွင်း ကျပန်းရွေးချယ်သည်။ ၎င်းသည် အမှားအယွင်းကို လျော့နည်းစေပြီး စမ်းသပ်မှု၏ စွမ်းအားကို မြှင့်တင်ပေးသည်။

ဤမူသုံးခုသည် တစ်ခုနှင့်တစ်ခု ဖြည့်စွက်ပေးပြီး အထူးသဖြင့် သုတေသီများသည် ANOVA သို့မဟုတ် regression ကဲ့သို့သော မော်ဒယ်များကို အသုံးပြုသည့်အခါတွင် အားလုံးသည် စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနှင့် နီးကပ်စွာ ဆက်စပ်နေပါသည်။

၃။ ကိန်းရှင်များ၊ ယူဆချက်များနှင့် အကျိုးသက်ရောက်မှု အရွယ်အစားများကို ဆုံးဖြတ်ခြင်း

စမ်းသပ်ချက်တစ်ခု မပြုလုပ်မီ၊ သုတေသီသည် အောက်ပါတို့ကို ဆုံးဖြတ်ရမည်-

– တုံ့ပြန်မှုပြောင်းလဲနိုင်သော ကိန်းရှင် (Y): ဘာကိုတိုင်းတာနေသနည်း။ ဥပမာ- ရိတ်သိမ်းမှုအထွက်နှုန်း၊ ပြုပြင်ချိန်၊ သကြားပါဝင်မှု၊ စိတ်ကျေနပ်မှုရမှတ်။
– ကုသမှုအချက်များနှင့် အဆင့်များ- ဥပမာ၊ မြေဩဇာအမျိုးအစား (A၊ B၊ C) သို့မဟုတ် အပူချိန် (၂၀°C၊ ၃၀°C၊ ၄၀°C)။
– ယူဆချက်:
– H0: ကုသမှုများအကြား ပျမ်းမျှတုံ့ပြန်မှုတွင် ကွာခြားချက်မရှိပါ။
– H1: အနည်းဆုံး ကုသမှုတစ်ခုတွင် ကွာခြားချက်ရှိသည်
– အကျိုးသက်ရောက်မှု အရွယ်အစား- လက်တွေ့တွင် အဓိပ္ပာယ်ရှိသော ပြောင်းလဲမှုတစ်ခုဟု ယူဆပါက မည်မျှကြီးမားသနည်း။ “စာရင်းအင်းအရ သိသာထင်ရှားသော” ကွာခြားချက်သည် လုပ်ငန်းလည်ပတ်မှုအရ သက်ဆိုင်မှုမရှိသောကြောင့် ၎င်းသည် အရေးကြီးပါသည်။

စာရင်းအင်းများသည် အကျိုးသက်ရောက်မှုအရွယ်အစားနှင့် ယုံကြည်မှုကြားကာလဆိုင်ရာ သဘောတရားများကို ပေးစွမ်းသောကြောင့် သုတေသီများသည် p-value ပေါ်တွင်သာမက သက်ရောက်မှု၏ ပမာဏနှင့် ၎င်း၏ မသေချာမရေရာမှုများကိုပါ အာရုံစိုက်ကြသည်။

၄။ စမ်းသပ်မှုအမှားနှင့် ကွဲလွဲမှု

စာရင်းအင်းဆိုင်ရာ မူဘောင်တစ်ခုတွင်၊ စမ်းသပ်မှုရလဒ်များကို မကြာခဏ အောက်ပါအတိုင်း မော်ဒယ်လုပ်လေ့ရှိသည်-

Y = μ + ကုသမှုအကျိုးသက်ရောက်မှု + အမှား

အမှားတွင် ကုသမှုဖြင့် ရှင်းပြ၍မရသော ကွဲလွဲမှုအားလုံး ပါဝင်သည်- ယူနစ် မညီညာမှုများ၊ ပတ်ဝန်းကျင် အတက်အကျများ၊ တိုင်းတာမှု အမှားများ စသည်တို့ဖြစ်သည်။ ဒီဇိုင်း၏ အဓိကစိန်ခေါ်မှုမှာ ပိတ်ဆို့ခြင်း၊ လုပ်ထုံးလုပ်နည်း ထိန်းညှိခြင်းနှင့် တိုင်းတာမှု စံသတ်မှတ်ခြင်းတို့မှတစ်ဆင့် အမှားကို လျှော့ချရန် သို့မဟုတ် ထိန်းချုပ်ရန်ဖြစ်သည်။

variance သဘောတရားသည် အဓိကကျသည်- အမှား variance နည်းလေ၊ ကုသမှုများအကြား ကွာခြားချက်များကို ရှာဖွေတွေ့ရှိရန် ပိုမိုလွယ်ကူလေဖြစ်သည်။ ထို့ကြောင့်၊ ကိရိယာချိန်ညှိခြင်းနှင့် တသမတ်တည်းတိုင်းတာခြင်းလုပ်ထုံးလုပ်နည်းများကဲ့သို့သော တိုင်းတာမှုများသည် စမ်းသပ်မှုအရည်အသွေး၏ “စာရင်းအင်းဒြပ်စင်များ” လည်းဖြစ်သည်။

၅။ စမ်းသပ်မှုဒီဇိုင်းများ၏ အသုံးများသော အမျိုးအစားများ

မကြာခဏအသုံးပြုလေ့ရှိသော ဂန္ထဝင်ဒီဇိုင်းအချို့-

၁။ လုံးဝကျပန်းဒီဇိုင်း (CRD)
ယူနစ်အားလုံးကို တစ်သားတည်းဖြစ်သည်ဟု ယူဆပြီး ကုသမှုများကို ယူနစ်များအလိုက် ကျပန်းပြုလုပ်သည်။ ၎င်းသည် နှိုင်းယှဉ်လျှင် တစ်ပြေးညီ ဓာတ်ခွဲခန်းအခြေအနေများအတွက် သင့်လျော်သည်။

၂။ ကျပန်းဘလောက်ဒီဇိုင်း (RAK)
ယူနစ်များကို တစ်သားတည်းဖြစ်သော ဘလောက်များအဖြစ် ပိုင်းခြားပြီးနောက် ဘလောက်တစ်ခုစီအတွင်း ကုသမှုများကို ကျပန်းရွေးချယ်သည်။ အုပ်စုများအကြား ကွဲပြားမှုကိုပြသသည့် လယ်ကွင်း သို့မဟုတ် ထုတ်လုပ်မှုစမ်းသပ်မှုများအတွက် သင့်လျော်သည်။

၃။ ဖန်တာရီရယ် ဒီဇိုင်း
အချက်တစ်ခုထက်ပို၍ တစ်ပြိုင်နက်တည်း စမ်းသပ်ခြင်း။ ဥပမာ- မြေဩဇာ (A/B) နှင့် ရေလောင်းမှုပြင်းအား (နည်း/များ)။ အားသာချက်မှာ အပြန်အလှန် သက်ရောက်မှုများကို စမ်းသပ်နိုင်ခြင်းဖြစ်ပြီး၊ ဆိုလိုသည်မှာ အချက်တစ်ခု၏ အကျိုးသက်ရောက်မှုသည် အခြားအချက်တစ်ခု၏ အဆင့်ပေါ်တွင် မူတည်ခြင်း ရှိ၊ မရှိကို စမ်းသပ်နိုင်ခြင်း ဖြစ်သည်။

၄။ ပိုင်းခြားထားသော မြေကွက်ဒီဇိုင်း
အခန်းတစ်ခုလုံးအတွက် အပူချိန်ထိန်းညှိမှု (အဓိကကွက်လပ်) နှင့် ဘောပင်တစ်ခုစီအတွက် အစာကျွေးအမျိုးအစား (ဆပ်ကွက်လပ်) ကဲ့သို့သော သေးငယ်သောစကေးဖြင့် ကျပန်းရွေးချယ်ရန်ခက်ခဲသော အချက်များရှိသည့်အခါတွင် အသုံးပြုသည်။ ခွဲခြမ်းစိတ်ဖြာမှုသည် အဆင့်များစွာပါသော အမှားဖွဲ့စည်းပုံ လိုအပ်ပါသည်။

၅။ ထပ်ခါတလဲလဲ တိုင်းတာမှုများဖြင့် ဒီဇိုင်းထုတ်ခြင်း
တူညီသောယူနစ်ကို အချိန်နှင့်အမျှ အကြိမ်ပေါင်းများစွာ တိုင်းတာသည် (ဥပမာ၊ အပတ်စဉ် သွေးပေါင်ချိန်)။ စာရင်းအင်းမော်ဒယ်များသည် တူညီသောဘာသာရပ်အတွင်း တိုင်းတာမှုများအကြား ဆက်စပ်မှုများကို ထည့်သွင်းစဉ်းစားရမည်။

ဒီဇိုင်းတစ်ခုစီတွင် စစ်ဆေးရန်လိုအပ်သော မတူညီသော ခွဲခြမ်းစိတ်ဖြာမှုပုံစံများနှင့် ယူဆချက်များရှိသည်။

၆။ စာရင်းအင်း ခွဲခြမ်းစိတ်ဖြာခြင်း- ANOVA မှ Regression အထိ

ကုသမှုများအကြား နည်းလမ်းများကို နှိုင်းယှဉ်ရန်အတွက် မကြာခဏအသုံးပြုလေ့ရှိသော ခွဲခြမ်းစိတ်ဖြာမှုမှာ ANOVA (Analysis of Variance) ဖြစ်သည်။ ၎င်း၏အမည်မှာ "analysis of variance" ဖြစ်သော်လည်း ၎င်း၏ အဓိကရည်ရွယ်ချက်မှာ ကုသမှုမှ ဖြစ်ပေါ်လာသော ကွဲပြားမှုနှင့် အမှားမှ ဖြစ်ပေါ်လာသော ကွဲပြားမှုကို ခွဲခြားသတ်မှတ်ရန်ဖြစ်သည်။

factorial ဒီဇိုင်းများတွင်၊ ANOVA သည် အောက်ပါတို့ကို ခွဲခြားနိုင်သည်-
– အချက် A ၏ အဓိကအကျိုးသက်ရောက်မှု၊
– အချက် B ၏ အဓိကအကျိုးသက်ရောက်မှု၊
- A × B အပြန်အလှန်အကျိုးသက်ရောက်မှု။

ANOVA အပြင်၊ regression ကို မကြာခဏ အသုံးပြုလေ့ရှိပြီး၊ အထူးသဖြင့် factor များသည် ပမာဏဆိုင်ရာဖြစ်သည့်အခါ (ဥပမာ၊ doses 0, 5, 10, 15)။ Regression သည် linear နှင့် nonlinear relationship များ၏ modeling အပြင် optimum point များကို ခန့်မှန်းခြင်းကို ခွင့်ပြုသည်။

ခေတ်သစ်ခွဲခြမ်းစိတ်ဖြာမှုသည် အဆင့်ဆင့်ဖွဲ့စည်းပုံများ (ဘလောက်များကို ကျပန်းအကျိုးသက်ရောက်မှုများအဖြစ်) သို့မဟုတ် မညီမျှသောဒေတာပါသည့် ဒီဇိုင်းများကို ကိုင်တွယ်ရန် ရောနှောထားသော မျဉ်းဖြောင့်မော်ဒယ်များကိုလည်း မကြာခဏအသုံးပြုလေ့ရှိသည်။

၇။ ယူဆချက်များကို စမ်းသပ်ခြင်းနှင့် မော်ဒယ်ရောဂါရှာဖွေရေး

စာရင်းအင်းများသည် p-တန်ဖိုးများကို တွက်ချက်ရာတွင်သာ ရပ်တန့်မနေပါ။ သုတေသီများသည် အောက်ပါကဲ့သို့သော မော်ဒယ်ယူဆချက်များကို စစ်ဆေးရန် လိုအပ်သည်-
– အကြွင်းအကျန်များ၏ ပုံမှန်ဖြစ်မှု (အမှားများသည် ပုံမှန်ဖြန့်ဖြူးမှုသို့ ချဉ်းကပ်ခြင်း ရှိ၊ မရှိ)၊
– Homoscedasticity (စဉ်ဆက်မပြတ် ကျန်ရှိနေသော ကွဲလွဲမှု)၊
- လွတ်လပ်မှု (အကြွင်းအကျန်များသည် တစ်ခုနှင့်တစ်ခု မှီခိုမှုမရှိခြင်း)။

ယူဆချက်များ ချိုးဖောက်ပါက၊ ဖြေရှင်းနည်းများတွင် ဒေတာပြောင်းလဲမှု (log၊ square root)၊ ပိုမိုသင့်လျော်သော မော်ဒယ် (ဥပမာ၊ ရေတွက်ဒေတာအတွက် Poisson မော်ဒယ်) သို့မဟုတ် nonparametric ချဉ်းကပ်မှုကို အသုံးပြုခြင်းတို့ ပါဝင်နိုင်သည်။

၈။ နမူနာအရွယ်အစား၊ ပါဝါနှင့် အမျိုးအစား I/II အမှား

စမ်းသပ်ယူနစ်အရေအတွက်ကို ဆုံးဖြတ်ခြင်းသည် သဘောတရားနှင့် အနီးကပ်ဆက်စပ်နေသည်-
– အမျိုးအစား I အမှား (α): အကျိုးသက်ရောက်မှုမရှိသည့်အခါ အကျိုးသက်ရောက်မှုရှိသည်ဟု ကောက်ချက်ချခြင်း။
– အမျိုးအစား II အမှား (β): အမှန်တကယ်ရှိနေသော အကျိုးသက်ရောက်မှုကို မထောက်လှမ်းနိုင်ပါ။
– ပါဝါ (1−β) : အမှန်တကယ်တည်ရှိနေသော အကျိုးသက်ရောက်မှုကို ထောက်လှမ်းနိုင်ခြေ။

ပါဝါတွက်ချက်မှုများသည် စမ်းသပ်မှုတစ်ခု၏ ကုန်ကျစရိတ်နှင့် ရလဒ်များ၏ တိကျမှုကို ဟန်ချက်ညီစေရန် ကူညီပေးသည်။ နမူနာအရွယ်အစား အလွန်သေးငယ်သော စမ်းသပ်မှုများသည် အကျိုးသက်ရောက်မှု အမှန်တကယ်ရှိနေသော်လည်း "အရေးမကြီးသော" နိဂုံးချုပ်ချက်တစ်ခု ဖြစ်ပေါ်စေနိုင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့် နမူနာအရွယ်အစား အလွန်ကြီးမားခြင်းသည် စာရင်းအင်းအရ သိသာထင်ရှားသော်လည်း လက်တွေ့တွင် မသက်ဆိုင်သော ကွာခြားချက်အနည်းငယ်ကို ဖြစ်စေနိုင်သည်။

၉။ ရလဒ်များ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်- အရေးပါမှုနှင့် အသုံးဝင်မှု

အဖြစ်များတဲ့ အမှားတစ်ခုကတော့ “သိသာထင်ရှားတဲ့” ကို “အရေးကြီးတဲ့” နဲ့ ညီမျှအောင်လုပ်တာပါပဲ။ စာရင်းအင်းပညာရှင်တွေကို အောက်ပါအချက်တွေကို တင်ပြဖို့ အားပေးပါတယ်-
– အကျိုးသက်ရောက်မှု ခန့်မှန်းချက်၊
– ယုံကြည်မှုကြားကာလ၊
- အကျိုးသက်ရောက်မှု အရွယ်အစား၊
- နှင့် ၎င်း၏ လက်တွေ့အခြေအနေ။

ဥပမာအားဖြင့် အထွက်နှုန်း ၁% တိုးလာခြင်းသည် စာရင်းအင်းအရ သိသာထင်ရှားနိုင်သော်လည်း ဓာတ်မြေဩဇာကုန်ကျစရိတ်များကို ချေဖျက်နိုင်မည်မဟုတ်ပါ။ ထို့ကြောင့် နောက်ဆုံးဆုံးဖြတ်ချက်တွင် သိပ္ပံနည်းကျနှင့် စီးပွားရေးဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများ နှစ်မျိုးလုံး လိုအပ်ပါသည်။

၈။ နိဂုံးချုပ်

စာရင်းအင်းနှင့် စမ်းသပ်မှုဒီဇိုင်းတို့သည် ခွဲခြား၍မရပါ။ စာရင်းအင်းသည် တရားမျှတသော (ကျပန်းပြုလုပ်ခြင်း)၊ ခိုင်မာသော (ထပ်တူပြုခြင်း) နှင့် ထိရောက်သော (ပိတ်ဆို့ခြင်း) စမ်းသပ်ချက်များကို ဒီဇိုင်းဆွဲရန်အတွက် မူဘောင်တစ်ခုကို ပံ့ပိုးပေးပြီး တစ်ချိန်တည်းမှာပင်၊ ယူဆချက်များကို စမ်းသပ်ခြင်းနှင့် မသေချာမရေရာမှုများကို ပမာဏသတ်မှတ်ခြင်းအတွက် ခွဲခြမ်းစိတ်ဖြာရေးကိရိယာများကိုလည်း ပံ့ပိုးပေးပါသည်။ ကောင်းမွန်သော ဒီဇိုင်းမူများနှင့် သင့်လျော်သော ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြုခြင်းဖြင့် သုတေသီများသည် ပိုမိုတရားဝင်သော၊ ထပ်တူပြုနိုင်သော နှင့် လက်တွေ့ကျကျ အဓိပ္ပာယ်ရှိသော နိဂုံးချုပ်ချက်များကို ထုတ်လုပ်နိုင်သည်။ အဆုံးစွန်အားဖြင့် စာရင်းအင်းသည် "တွက်ချက်မှုကိရိယာ" တစ်ခုသာမက စမ်းသပ်ချက်များကို ယုံကြည်စိတ်ချရသော အသိပညာအဖြစ်သို့ ပြောင်းလဲပေးသည့် ဘာသာစကားတစ်ခုဖြစ်သည်။

သင်အလိုရှိပါက ဤဆောင်းပါးကို သတ်မှတ်ထားသော အခြေအနေ (ဥပမာ- စိုက်ပျိုးရေး၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ စက်မှု/ထုတ်လုပ်မှု သို့မဟုတ် ပညာရေး) နှင့် ကိုက်ညီအောင် ပြုပြင်ပြောင်းလဲနိုင်ပြီး ဒီဇိုင်းဥပမာများနှင့် ရိုးရှင်းသော ခွဲခြမ်းစိတ်ဖြာမှုဇယားများကို ထည့်သွင်းပေးနိုင်ပါသည်။