စာရင်းအင်းဆိုင်ရာ အရေးပါမှု စမ်းသပ်မှု

စာရင်းအင်းဆိုင်ရာ အရေးပါမှု စမ်းသပ်မှု

အရေအတွက်ဆိုင်ရာ သုတေသနတွင်၊ အဖြစ်အများဆုံး မေးခွန်းတစ်ခုမှာ- အချက်အလက်များတွင် တွေ့ရှိရသည့် ကွာခြားချက်များ သို့မဟုတ် ဆက်နွယ်မှုများသည် အမှန်တကယ် “အစစ်အမှန်” ဖြစ်ပါသလား သို့မဟုတ် ၎င်းတို့သည် ကျပန်းကွဲပြားမှုကြောင့် ဖြစ်ပေါ်လာသော တိုက်ဆိုင်မှုတစ်ခုသာ ဖြစ်ပါသလား။ ၎င်းကိုဖြေဆိုရန်အတွက် သုတေသီများသည် စာရင်းအင်းဆိုင်ရာ အရေးပါမှု စမ်းသပ်မှုများကို အသုံးပြုကြသည်။ ဤစမ်းသပ်မှုများသည် နမူနာတစ်ခုမှ ရရှိသော ရလဒ်များသည် သတ်မှတ်ထားသော ဖြစ်နိုင်ခြေ မူဘောင်တစ်ခုအပေါ် အခြေခံ၍ လူဦးရေအတွက် ယေဘုယျအားဖြင့် အသုံးပြုရန် လုံလောက်သော ခိုင်မာမှုရှိမရှိကို ဆုံးဖြတ်ရန် ကူညီပေးပါသည်။ ဝေါဟာရသည် နည်းပညာပိုင်းဆိုင်ရာ ဆန်နိုင်သော်လည်း၊ အခြေခံသဘောတရားမှာ ရိုးရှင်းပါသည်- ကျွန်ုပ်တို့ လေ့လာတွေ့ရှိသည့်အရာနှင့် အကျိုးသက်ရောက်မှုမရှိပါက ဖြစ်ပျက်မည့်အရာတို့ကို နှိုင်းယှဉ်ပါသည်။

အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် ရည်ရွယ်ချက်

စာရင်းအင်းဆိုင်ရာ အရေးပါမှု စစ်ဆေးမှုဆိုသည်မှာ လူဦးရေတစ်ခုနှင့်ပတ်သက်သည့် ဖော်ပြချက် (ယူဆချက်) အတွက် အချက်အလက်မှ အထောက်အထားကို အကဲဖြတ်ရန် အသုံးပြုသည့် တရားဝင်လုပ်ထုံးလုပ်နည်းတစ်ခုဖြစ်သည်။ ၎င်း၏ အဓိကရည်ရွယ်ချက်မှာ အကျိုးသက်ရောက်မှုတစ်ခု—ဥပမာ၊ အုပ်စုနှစ်ခုပျမ်းမျှကွာခြားချက်၊ ကိန်းရှင်နှစ်ခုအကြား ဆက်စပ်မှု သို့မဟုတ် ကုသမှု၏အကျိုးသက်ရောက်မှု—သည် မတော်တဆဖြစ်ပွားရန် မဖြစ်နိုင်လောက်အောင် ကြီးမားပြီး တသမတ်တည်းရှိမရှိ ဆုံးဖြတ်ရန်ဖြစ်သည်။

လက်တွေ့တွင်၊ သိသာထင်ရှားမှုစမ်းသပ်မှုများသည် သီအိုရီတစ်ခုမှန်ကန်ကြောင်း "သက်သေပြ" ခြင်းမဟုတ်ဘဲ၊ အချက်အလက်သည် သတ်မှတ်ထားသောယူဆချက်ကို မည်မျှပြင်းပြင်းထန်ထန်ငြင်းပယ်သည်ကို တိုင်းတာပေးသည်။ ဤနေရာတွင် စာရင်းအင်းများသည် မသေချာမရေရာမှုနယ်ပယ်အတွင်း လည်ပတ်နေကြောင်း နားလည်ရန် အရေးကြီးပါသည်။ လုံးဝသေချာမှုမရှိဘဲ၊ အချက်အလက်က ထောက်ခံထားသော ယုံကြည်မှုအတိုင်းအတာတစ်ခုသာရှိသည်။

Null Hypothesis နှင့် Alternative Hypothesis

အရေးပါမှုစမ်းသပ်မှုများကို ယေဘုယျအားဖြင့် ဖော်ပြချက်နှစ်ခုပေါ်တွင် တည်ဆောက်ထားသည်-

၁။ Null hypothesis (H₀): ကွာခြားချက်မရှိ၊ ဆက်နွယ်မှုမရှိ သို့မဟုတ် လွှမ်းမိုးမှုမရှိဟု ဖော်ပြထားသည်။ ဥပမာ- “အတန်း A ၏ ပျမ်းမျှအဆင့်သည် အတန်း B နှင့် အတူတူပင်ဖြစ်သည်” သို့မဟုတ် “လေ့လာမှုနာရီများနှင့် စာမေးပွဲရမှတ်များအကြား ဆက်နွယ်မှုမရှိပါ။”
၂။ အခြားယူဆချက် (H₁ သို့မဟုတ် Hₐ): ကွာခြားချက်၊ ဆက်နွယ်မှု သို့မဟုတ် လွှမ်းမိုးမှုတစ်ခု ရှိကြောင်း ဖော်ပြထားသည်။ ဥပမာ- “အတန်း A ၏ ပျမ်းမျှအဆင့်သည် အတန်း B နှင့် ကွာခြားသည်” သို့မဟုတ် “လေ့လာချိန်များနှင့် စာမေးပွဲရမှတ်များကြား ဆက်နွယ်မှုရှိသည်။”

သိသာထင်ရှားမှုစမ်းသပ်မှုများသည် H₀ မှန်ကန်သည်ဟူသော ကနဦးယူဆချက်ပေါ်တွင် လုပ်ဆောင်သည်။ ထို့နောက် H₀ မှန်ကန်ပါက ရလဒ်များသည် အလွန်ရှားပါးခြင်းရှိမရှိ သိရှိရန် အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာသည်။ ၎င်းတို့သည် ရှားပါးပါက ကျွန်ုပ်တို့သည် H₀ ကို ငြင်းပယ်လေ့ရှိသည်။

p တန်ဖိုး (p-value) နှင့် ၎င်း၏ အဓိပ္ပာယ်

အရေးပါမှုစမ်းသပ်မှုတွင် အဓိကအယူအဆမှာ p-တန်ဖိုးဖြစ်သည်။ ရိုးရှင်းစွာပြောရလျှင် p-တန်ဖိုးဆိုသည်မှာ null hypothesis မှန်ကန်သည်ဟုယူဆပါက ဒေတာတွင်တွေ့ရှိရသည်နှင့် အနည်းဆုံး အစွန်းရောက်ရလဒ်ရရှိရန် ဖြစ်နိုင်ခြေဖြစ်သည်။

– p သည် သေးငယ်ပါက၊ H₀ မှန်ကန်သည့်အခါ တွေ့ရှိရသောရလဒ်များ ရှားပါးစွာဖြစ်ပေါ်လေ့ရှိသောကြောင့် H₀ ကို ငြင်းပယ်ရန် အကြောင်းပြချက်ရှိပါသည်။
– p ကြီးပါက၊ H₀ မှန်ကန်ပါက တွေ့ရှိထားသော ရလဒ်များသည် ဖြစ်ပေါ်လာနိုင်ဆဲဖြစ်ကြောင်း ဆိုလိုသည်၊ ထို့ကြောင့် H₀ ကို ငြင်းပယ်ရန် လုံလောက်သော အထောက်အထား မရှိပါ။

သို့သော် p-တန်ဖိုးကို မကြာခဏ အထင်လွဲမှားတတ်ကြသည်။ p-တန်ဖိုးသည် H₀ မှန်သည် သို့မဟုတ် မှားသည် ဖြစ်နိုင်ခြေမဟုတ်ပါ။ အကျိုးသက်ရောက်မှု၏ ပမာဏကို တိုင်းတာခြင်းလည်း မဟုတ်ပါ။ p-တန်ဖိုးသည် သတ်မှတ်ထားသော မူဘောင်တစ်ခုအတွင်း H₀ ကို ဆန့်ကျင်သည့် အထောက်အထား၏ အစွမ်းသတ္တိကို ရိုးရှင်းစွာ ညွှန်ပြသည်။

သိသာထင်ရှားမှုအဆင့် (α)

ဆုံးဖြတ်ချက်ချရန်အတွက် သုတေသီများသည် α (alpha) ဖြင့် ဖော်ပြသည့် အရေးပါမှုအဆင့်ကို သတ်မှတ်ကြသည်။ အသုံးများသော တန်ဖိုးများမှာ 0,05 (5%) သို့မဟုတ် 0,01 (1%) ဖြစ်သည်။ စည်းမျဉ်းမှာ-

– p ≤ α ဖြစ်ပါက ရလဒ်များကို စာရင်းအင်းအရ သိသာထင်ရှားသည်ဟု ဆိုပြီး H₀ ကို ငြင်းပယ်သည်။
– p > α ဖြစ်ပါက ရလဒ်သည် အရေးမကြီးပါ၊ ထို့အပြင် H₀ ကိုလည်း ငြင်းပယ်ခြင်းမရှိပါ။

α ကိုရွေးချယ်ခြင်းသည် နည်းပညာပိုင်းဆိုင်ရာဆုံးဖြတ်ချက်သက်သက်မဟုတ်ဘဲ၊ အခြေအနေကိုပါ ထည့်သွင်းစဉ်းစားပါသည်။ ဥပမာအားဖြင့်၊ လူနာဘေးကင်းရေးနှင့်ပတ်သက်သည့် ဆေးဘက်ဆိုင်ရာသုတေသနတွင် သုတေသီများသည် မှားယွင်းသောနိဂုံးချုပ်ချက်များ၏အန္တရာယ်ကို လျှော့ချရန် ပိုမိုတင်းကျပ်သော α (0,01) ကို ရွေးချယ်နိုင်သည်။

အမျိုးအစား I နှင့် အမျိုးအစား II အမှားများ

စာရင်းအင်းစစ်ဆေးမှုများတွင် မသေချာမရေရာမှုအောက်တွင် ဆုံးဖြတ်ချက်ချခြင်းပါဝင်သောကြောင့် အမှားအယွင်းဖြစ်နိုင်ခြေ အမြဲရှိနေပါသည်-

၁။ အမျိုးအစား I အမှား (မှားယွင်းသော အပေါင်းလက္ခဏာ): H₀ မှန်သောအခါ H₀ ကို ငြင်းပယ်ခြင်း။ ဖြစ်နိုင်ခြေကို α မှ ထိန်းချုပ်ထားသည်။
၂။ အမျိုးအစား II အမှား (မှားယွင်းသော အနုတ်လက္ခဏာ): H₁ မှန်နေချိန်တွင် H₀ ကို ငြင်းပယ်ရန် ပျက်ကွက်ခြင်း။ ဖြစ်နိုင်ခြေကို β (beta) ဖြင့် ဖော်ပြပြီး ပြောင်းပြန်ကို power ဟုခေါ်ပြီး ၎င်းသည် 1 − β ဖြစ်သည်။

လက်တွေ့ကမ္ဘာအခြေအနေများတွင် အမှားအမျိုးအစားနှစ်မျိုးလုံးသည် သိသာထင်ရှားသော အကျိုးဆက်များ ရှိနိုင်သည်။ ဥပမာအားဖြင့်၊ ဆေးဝါးတစ်ခုသည် ထိရောက်မှုမရှိသော်လည်း (အမျိုးအစား ၁) ထိရောက်သည်ဟု ယူဆခြင်းသည် အန္တရာယ်ရှိနိုင်ပြီး၊ ဆေးဝါးတစ်ခုသည် အမှန်တကယ်ထိရောက်မှုရှိနေစဉ်တွင် ထိရောက်မှုမရှိဟု ယူဆခြင်း (အမျိုးအစား II) သည် ကုထုံးအခွင့်အလမ်းများကို လက်လွတ်ဆုံးရှုံးစေနိုင်သည်။

အသုံးများသော အရေးပါမှုစစ်ဆေးမှုအမျိုးအစားများ

အရေးပါမှုစမ်းသပ်မှုများစွာရှိပြီး ရွေးချယ်မှုသည် ရည်ရွယ်ချက်၊ အချက်အလက်အမျိုးအစားနှင့် ဖြည့်ဆည်းပေးသည့် ယူဆချက်များပေါ်တွင် မူတည်ပါသည်။ အသုံးအများဆုံးအချို့မှာ-

– T-test: အုပ်စုနှစ်စု၏ ပျမ်းမျှတန်ဖိုးကို နှိုင်းယှဉ်သည် (ဥပမာ၊ စမ်းသပ်မှု vs. ထိန်းချုပ်)။ လွတ်လပ်သော t-test ဗားရှင်းများနှင့် တွဲထားသော t-test ဗားရှင်းများ ရှိပါသည်။
– ANOVA: အုပ်စုနှစ်စုထက်ပို၍ (ဥပမာ- သင်ယူမှုနည်းလမ်းသုံးခု) ၏ ပျမ်းမျှကို နှိုင်းယှဉ်သည်။
– Chi-square စမ်းသပ်မှု- အမျိုးအစားအလိုက် ကိန်းရှင်များ (ဥပမာ- ကျား၊မ နှင့် မေဂျာရွေးချယ်မှု) အကြား ဆက်နွယ်မှုကို စမ်းသပ်သည်။
– Pearson/Spearman Correlation: ဂဏန်းသင်္ချာကိန်းရှင်နှစ်ခု (ပုံမှန်ဒေတာအတွက် Pearson၊ ပုံမှန်/မဟုတ်သောဒေတာအတွက် Spearman) အကြား ဆက်နွယ်မှုကို စမ်းသပ်သည်။
– Linear/logistic regression: တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော predictor variable များသည် ရလဒ် variable ပေါ်တွင် သြဇာလွှမ်းမိုးမှုကို စမ်းသပ်သည်။

စမ်းသပ်မှုတိုင်းတွင် ပုံမှန်ဖြစ်မှု၊ ကွဲလွဲမှု၏ တစ်သားတည်းဖြစ်မှု သို့မဟုတ် အချက်အလက်၏ လွတ်လပ်မှုကဲ့သို့သော ယူဆချက်များရှိသည်။ ဤယူဆချက်များကို ချိုးဖောက်ခြင်းသည် စမ်းသပ်မှုရလဒ်များကို မှားယွင်းစွာဖော်ပြနိုင်သောကြောင့် ဒေတာရောဂါရှာဖွေခြင်းနှင့် ကြိုတင်စစ်ဆေးမှုများသည် မရှိမဖြစ်လိုအပ်သည်။

စာရင်းအင်းဆိုင်ရာ အရေးပါမှုနှင့် လက်တွေ့ဆိုင်ရာ အရေးပါမှု

အရေးပါမှုစမ်းသပ်မှုအပေါ် ဝေဖန်မှုတစ်ခုမှာ သုတေသီများသည် ၎င်း၏လက်တွေ့သက်ရောက်မှုများကို ထည့်သွင်းစဉ်းစားခြင်းမရှိဘဲ "သိသာထင်ရှားသည်" သို့မဟုတ် "အရေးမကြီးသည်" ဟူသောအရာကို အလွန်အမင်းအာရုံစိုက်လွန်းခြင်းဖြစ်သည်။ နမူနာအလွန်ကြီးမားသောအခါ၊ ၎င်းတို့၏သက်ရောက်မှုမှာ မသိသာသော်လည်း သေးငယ်သောကွာခြားချက်များသည် စာရင်းအင်းအရ သိသာထင်ရှားနိုင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့် နမူနာသေးငယ်သောအခါ၊ အမှန်တကယ်အရေးကြီးသောအကျိုးသက်ရောက်မှုများသည် စွမ်းအားမလုံလောက်သောကြောင့် အရေးပါမှုသို့ရောက်ရှိရန် မအောင်မြင်နိုင်ပါ။

ထို့ကြောင့်၊ အရေးပါမှုစစ်ဆေးမှုများကို အောက်ပါတို့နှင့်အတူ အမြဲတွဲဖက်ထားသင့်သည်-
– Cohen's d၊ eta-squared သို့မဟုတ် odds ratio ကဲ့သို့သော အကျိုးသက်ရောက်မှု အရွယ်အစားများ။
- ကျိုးကြောင်းဆီလျော်သော parameter တန်ဖိုးများ၏ အကွာအဝေးကိုပြသရန် ယုံကြည်မှုကြားကာလ။

p-value၊ effect size နှင့် confidence interval တို့၏ ပေါင်းစပ်မှုသည် ပိုမိုပြီးပြည့်စုံသော ရုပ်ပုံလွှာကို ပေးစွမ်းသည်- "အကျိုးသက်ရောက်မှု ရှိ၊ မရှိ" သာမက "အကျိုးသက်ရောက်မှု မည်မျှကြီးမားပြီး ထိုခန့်မှန်းချက်နှင့် ပတ်သက်၍ ကျွန်ုပ်တို့ မည်မျှသေချာနိုင်သနည်း" ဟူ၍လည်း ဖြစ်သည်။

အရေးပါမှုစမ်းသပ်မှုတစ်ခုပြုလုပ်ရန် အထွေထွေအဆင့်များ

ယေဘုယျအားဖြင့် လုပ်ထုံးလုပ်နည်းမှာ အောက်ပါအတိုင်းဖြစ်သည်-
၁။ သုတေသနမေးခွန်းများအရ H₀ နှင့် H₁ ကို ဖော်မြူလာလုပ်ပါ။
၂။ α (ဥပမာ ၀.၀၅) ကို ဆုံးဖြတ်ပါ။
၃။ အချက်အလက်အမျိုးအစားနှင့် သုတေသနဒီဇိုင်းအရ မှန်ကန်သော စမ်းသပ်မှုကို ရွေးချယ်ပါ။
၄။ စမ်းသပ်မှုယူဆချက်များ (ပုံမှန်ဖြစ်မှု၊ ကွဲလွဲမှု၊ လွတ်လပ်မှု စသည်) ကို စစ်ဆေးပါ။
၅။ စမ်းသပ်မှုစာရင်းအင်းများကိုတွက်ချက်ပြီး p-တန်ဖိုးကိုရယူပါ။
၆။ p-တန်ဖိုးကို α နှင့် နှိုင်းယှဉ်ပြီး နိဂုံးချုပ်ပါ။
၇။ ဖြစ်နိုင်သည့်နေရာတွင် အကျိုးသက်ရောက်မှု အရွယ်အစားများနှင့် ယုံကြည်မှုကြားကာလများ အပါအဝင် ရလဒ်များကို အပြည့်အစုံ အစီရင်ခံပါ။

ကောင်းမွန်သော အစီရင်ခံခြင်းတွင် နမူနာဝိသေသလက္ခဏာများ၊ တိုင်းတာမှုနည်းလမ်းများနှင့် ဘက်လိုက်မှုအလားအလာကဲ့သို့သော အခြေအနေများလည်း ပါဝင်သည်။

ပိတ်

စာရင်းအင်းဆိုင်ရာ အရေးပါမှု စမ်းသပ်မှုများသည် ဒေတာတွေ့ရှိချက်များသည် လူဦးရေအခြေအနေများကို ထင်ဟပ်စေနိုင်သည် သို့မဟုတ် ကျပန်းကွဲပြားမှု၏ ရလဒ်သက်သက်ဖြစ်မဖြစ် အကဲဖြတ်ရန်အတွက် အရေးကြီးသောကိရိယာများဖြစ်သည်။ သို့သော် ဤစမ်းသပ်မှုများသည် သိပ္ပံနည်းကျအမှန်တရား၏ တစ်ခုတည်းသော ဆုံးဖြတ်ချက်မဟုတ်ပါ။ p-တန်ဖိုးကို တိကျစွာနားလည်ရမည်ဖြစ်ပြီး၊ အကျိုးသက်ရောက်မှုအရွယ်အစား၊ ယုံကြည်မှုကြားကာလနှင့် ရလဒ်များ၏ သက်ဆိုင်မှုဆိုင်ရာ အကဲဖြတ်ချက်တို့နှင့် ပေါင်းစပ်ထားရမည်။

မှန်ကန်စွာအသုံးပြုသောအခါ၊ အရေးပါမှုစမ်းသပ်မှုများသည် သုတေသနကို ပိုမိုဘက်လိုက်မှုရှိပြီး တာဝန်ယူမှုရှိစေရန် ကူညီပေးသည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ ၎င်းတို့၏ယူဆချက်များနှင့် ကန့်သတ်ချက်များကို နားမလည်ဘဲ စက်ပိုင်းဆိုင်ရာအသုံးပြုပါက မှားယွင်းသောနိဂုံးချုပ်မှုများဆီသို့ ဦးတည်သွားနိုင်သည်။ ထို့ကြောင့်၊ အယူအဆဆိုင်ရာနားလည်မှု၊ ဂရုတစိုက်အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် ပွင့်လင်းမြင်သာသောအစီရင်ခံခြင်းသည် အချက်အလက်အခြေပြုဆုံးဖြတ်ချက်များကို ပံ့ပိုးရန် အရေးပါမှုစမ်းသပ်မှုများကို အသုံးပြုရန် အဓိကကျသည်။