आधारभूत तथ्याङ्क प्रयोग गरेर सर्वेक्षण डेटा प्रशोधन प्रविधिहरू

आधारभूत तथ्याङ्क प्रयोग गरेर सर्वेक्षण डेटा प्रशोधन प्रविधिहरू

शैक्षिक अनुसन्धान, सेवा मूल्याङ्कन, बजार अनुसन्धान, वा संगठनात्मक निर्णय लिने कामका लागि, सर्वेक्षणहरू उत्तरदाताहरूबाट डेटा सङ्कलन गर्ने सबैभन्दा सामान्य विधिहरू मध्ये एक हो। यद्यपि, यदि व्यवस्थित रूपमा प्रशोधन गरिएको छैन भने सर्वेक्षण डेटा अर्थहीन हुन्छ। यो त्यहीं हो जहाँ आधारभूत तथ्याङ्कहरू खेलमा आउँछन्: अनुसन्धानकर्ताहरूलाई डेटा संक्षेप गर्न, ढाँचाहरू पहिचान गर्न, प्रवृत्तिहरूको मूल्याङ्कन गर्न र प्रारम्भिक, मापनयोग्य निष्कर्षहरू निकाल्न मद्दत गर्ने। यस लेखले डेटा तयारीदेखि परिणाम व्याख्यासम्म आधारभूत तथ्याङ्कहरू प्रयोग गरेर सर्वेक्षण डेटा प्रशोधन प्रविधिहरूको बारेमा छलफल गर्दछ।

१. सर्वेक्षण डेटा प्रकारहरू बुझ्ने

डेटा प्रशोधन गर्नु अघिको पहिलो चरण भनेको सङ्कलन भइरहेको डेटाको प्रकार बुझ्नु हो। सामान्यतया, सर्वेक्षण डेटामा समावेश हुन सक्छ:

१. वर्गीकृत (गुणात्मक) डेटा
उदाहरणहरू: लिङ्ग, ब्रान्ड प्राथमिकता, रोजगारी स्थिति। यो डेटा सामान्यतया फ्रिक्वेन्सी र प्रतिशत प्रयोग गरेर विश्लेषण गरिन्छ।

२. सामान्य डेटा
उदाहरणहरू: सन्तुष्टि मापन (धेरै असन्तुष्ट–धेरै सन्तुष्ट), सहमतिको स्तर (दृढ असहमत–दृढ सहमत)। सामान्य डेटामा क्रम हुन्छ, तर वर्गहरू बीचको दूरी आवश्यक रूपमा समान हुँदैन।

३. संख्यात्मक (परिमाणात्मक) डेटा
उदाहरणहरू: उमेर, आम्दानी, खरिदहरूको संख्या। यो डेटा केन्द्रीय प्रवृत्ति, फैलावट, र विभिन्न अन्य प्रविधिहरूको मापन प्रयोग गरेर विश्लेषण गर्न सकिन्छ।

मापन स्केलहरू (नाममात्र, क्रमिक, अन्तराल, अनुपात) बुझ्नु महत्त्वपूर्ण छ किनभने यसले उपयुक्त सांख्यिकीय प्रविधिहरू र परिणामहरू कसरी प्रस्तुत गर्ने भनेर निर्धारण गर्दछ।

२. तयारी चरण: डेटा सम्पादन र सफा गर्ने

सर्वेक्षण डेटामा प्रायः त्रुटिहरू, दोहोरिएको, वा असंगत प्रतिक्रियाहरू हुन्छन्। त्यसकारण, दुई महत्त्वपूर्ण चरणहरू आवश्यक छन्:

क. सम्पादन
उत्तरदाताको उत्तरहरूको पूर्णता र एकरूपता जाँच गर्नुहोस्। उदाहरणका लागि, यदि उत्तरदाताको उमेर ८ वर्ष छ तर उनको रोजगारीको स्थिति "कर्मचारी" हो भने, यसको समीक्षा गर्न आवश्यक छ।

ख. सफाई
निम्नबाट डेटा सफा गर्नुहोस्:
– हराएको डेटा (हराएको मान): उत्तरदाताहरूले केही प्रश्नहरूको जवाफ दिएनन्।
– आउटलायर: एउटा चरम मूल्य जुन अर्थहीन छ, उदाहरणका लागि सामान्य जनसंख्याको लागि प्रति महिना १ अर्ब आम्दानी।
- प्रतिक्रिया दोहोर्‍याउने: उत्तरदाताहरूले एक पटक भन्दा बढी सर्वेक्षण पूरा गर्छन्।

हराएको मानहरू ह्यान्डल गर्ने काम प्रविष्टिहरू मेटाएर, तिनीहरूलाई मध्य/मध्य मान (संख्यात्मक डेटाको लागि) ले प्रतिस्थापन गरेर, वा वर्गीकृत डेटाको लागि "उत्तर दिएन" कोटि प्रयोग गरेर गर्न सकिन्छ - विश्लेषणको उद्देश्य र हराएको डेटाको अनुपातमा निर्भर गर्दै।

३. कोडिङ र डाटा प्रविष्टि

डेटा सफा भएपछि, यसलाई कोड गर्नुहोस्, जसको अर्थ उत्तरहरूलाई प्रशोधन गर्न सजिलो ढाँचामा रूपान्तरण गर्नु हो। उदाहरणका लागि:
- लिङ्ग: पुरुष = १, महिला = २
– लिकर्ट स्केल: पूर्ण रूपमा असहमत = १ देखि पूर्ण रूपमा सहमत = ५

कोडिङले एक्सेल, SPSS, R, वा पाइथन जस्ता सफ्टवेयरमा डेटा इनपुट गर्न सजिलो बनाउँछ। कोडबुक (चर, परिभाषा र कोड भएको कागजात) सिर्जना गर्न निश्चित गर्नुहोस् ताकि तपाईंको विश्लेषणलाई अरूले दोहोर्याउन र बुझ्न सकोस्।

४. वर्णनात्मक तथ्याङ्क: सर्वेक्षण डेटाको सारांश

वर्णनात्मक तथ्याङ्कहरू प्रारम्भिक डेटा प्रशोधनको मूल हुन्। तिनीहरूको उद्देश्य सिद्धान्तहरूको परीक्षण गर्नु होइन, तर डेटाको विशेषताहरूको सामान्य सिंहावलोकन प्रदान गर्नु हो।

a. आवृत्ति र प्रतिशत वितरण
वर्गीय र क्रमिक डेटाको लागि, गणना गर्नुहोस्:
- आवृत्ति (प्रतिक्रियाहरूको संख्या)
- प्रतिशत (कुल प्रतिक्रियाहरूको अनुपात)

उदाहरण परिणामहरू:
"६०% उत्तरदाताहरूले सेवा A रोजे, ४०% ले सेवा B रोजे।"

सजिलो बुझ्नको लागि फ्रिक्वेन्सी वितरणहरू सामान्यतया तालिकाहरू र बार/पाई ग्राफहरूमा प्रस्तुत गरिन्छ।

ख. केन्द्रीय प्रवृत्तिको मापन
संख्यात्मक डेटाको लागि, प्रयोग गर्नुहोस्:
– औसत (औसत): उत्तरदाताहरूको संख्याले भाग गरिएको सबै मानहरूको योगफल।
– मध्य: डेटा क्रमबद्ध गरिसकेपछिको मध्य मान।
- मोड: धेरैजसो देखिने मान।

तुलनात्मक रूपमा सममित वितरण भएको डेटाको लागि माध्य उपयुक्त हुन्छ, जबकि आउटलियर वा स्क्युड वितरण हुँदा माध्य बढी स्थिर हुन्छ। यो मोड प्रायः वर्गीकृत डेटाको लागि वा जब तपाईं सबैभन्दा सामान्य विकल्प हेर्न चाहनुहुन्छ भने उपयोगी हुन्छ।

ग. स्प्रेडको आकार (परिवर्तनशीलता)
फैलावटका मापनहरूले उत्तरदाताहरूको उत्तर कति फरक हुन्छ भनेर निर्धारण गर्न मद्दत गर्दछ:
- दायरा: अधिकतम र न्यूनतम मानहरू बीचको भिन्नता।
– भिन्नता: मान र माध्य बीचको भिन्नताको औसत वर्ग।
- मानक विचलन: भिन्नताको वर्गमूल, व्याख्या गर्न सजिलो हुन्छ किनभने एकाइहरू मूल डेटा जस्तै हुन्छन्।

उदाहरणका लागि, दुई समूहहरूको औसत सन्तुष्टि एउटै हुन सक्छ, तर फरक मानक विचलनहरू - ठूलो मानक विचलन भएको समूहको अर्थ उत्तरदाताहरूको उत्तरहरू बढी विविध हुन्छन्।

५. डेटा भिजुअलाइजेसन

ग्राफहरूले परिणामहरू छिटो र स्पष्ट रूपमा व्यक्त गर्न मद्दत गर्छन्। सर्वेक्षण डेटाको लागि केही सामान्य प्रकारका दृश्यावलोकनहरू:
- बार चार्ट: वर्गीकृत/नियमित डेटाको लागि।
- हिस्टोग्राम: संख्यात्मक डेटाको वितरणको लागि।
- बक्सप्लट: मध्यक, चतुर्थक र आउटलियरहरू देखाउँछ।
– रेखा चार्ट: यदि सर्वेक्षण आवधिक रूपमा गरिन्छ भने (समय श्रृंखला)।

गलत व्याख्याबाट बच्नको लागि राम्रो दृश्यीकरणलाई शीर्षक, अक्ष लेबल र डेटा स्रोतहरू दिनुपर्छ।

६. क्रसट्याब विश्लेषण

दुई वर्गीय वा क्रमबद्ध चरहरू बीचको सम्बन्ध हेर्न क्रसस्ट्याबुलेसन प्रयोग गरिन्छ। उदाहरण:
- लिङ्गको आधारमा सन्तुष्टि (सन्तुष्ट/असन्तुष्ट)
- उमेर समूहको आधारमा उत्पादन छनोट

क्रसट्याब परिणामहरू सामान्यतया प्रति पङ्क्ति वा प्रति स्तम्भ प्रतिशतको साथ प्रस्तुत गरिन्छ। यो समूहहरू बीच ढाँचा भिन्नताहरू पहिचान गर्न उपयोगी छ।

मिसालन्या:
"सन्तुष्ट उत्तरदाताहरूको प्रतिशत १८-२५ वर्षको तुलनामा २६-३५ उमेर समूहमा बढी थियो।"

यद्यपि क्रस-टेबुलेसनहरू अझै पनि वर्णनात्मक प्रकृतिका छन्, परिणामहरू प्रायः थप विश्लेषणको लागि आधारको रूपमा काम गर्छन्।

७. लिकर्ट स्केल प्रशोधन: स्कोरिङ र व्याख्या

धेरै सर्वेक्षणहरूले १-५ वा १-७ को लिकर्ट स्केल प्रयोग गर्छन्। प्रशोधन प्रविधिहरूमा समावेश छन्:

१. प्रति वस्तु औसत स्कोर गणना गर्नुहोस्
उदाहरणका लागि, "सेवा गुणस्तर" को औसत मूल्याङ्कन ५ मध्ये ४.२ छ।

२. अनुक्रमणिका/कम्पोजिट सिर्जना गर्नुहोस्
यदि एउटा अवधारणा मापन गर्न धेरै वस्तुहरू छन् (जस्तै "सन्तुष्टि" मा ५ प्रश्नहरू हुन्छन्), स्कोरहरूलाई एउटा सूचकांक मान बनाउनको लागि संक्षेप वा औसत निकाल्न सकिन्छ।

३. स्कोर वर्गीकरण
स्कोरहरूलाई निश्चित सीमाहरू सहित निम्न-मध्यम-उच्च जस्ता कोटीहरूमा रूपान्तरण गर्न सकिन्छ।

लिकर्ट व्याख्यामा, प्रयोग गरिएको स्केल उल्लेख गर्नु र स्कोरको अर्थ व्याख्या गर्नु महत्त्वपूर्ण छ ताकि पाठकले सन्दर्भ बुझोस्।

८. सरल विश्वसनीयता जाँच (वैकल्पिक)

यदि तपाईं धेरै प्रश्नहरूबाट अनुक्रमणिका निर्माण गर्दै हुनुहुन्छ भने, यसको आन्तरिक स्थिरता जाँच गर्नु राम्रो विचार हो। एउटा सामान्य मापन क्रोनब्याकको अल्फा हो। यो शुद्ध "आधारभूत तथ्याङ्क" भन्दा अलि पर गए पनि, यो अवधारणा अझै पनि सर्वेक्षण प्रशोधनमा बारम्बार प्रयोग गरिन्छ। उच्च अल्फा मान (जस्तै, ≥ ०.७) ले सामान्यतया वस्तुहरू एउटै संरचना मापन गरिरहेका छन् भन्ने संकेत गर्छ।

८. नतिजा र रिपोर्टिङको व्याख्या

राम्रो डेटा प्रशोधनले स्पष्ट रिपोर्टिङ निम्त्याउनु पर्छ। तपाईंको रिपोर्टमा, निम्न कुराहरू समावेश गर्न निश्चित हुनुहोस्:
- उत्तरदाता प्रोफाइल (महत्वपूर्ण जनसांख्यिकी)
- प्रति मुख्य चर परिणामहरूको सारांश
- सान्दर्भिक तालिकाहरू/ग्राफहरू
- बढाइचढाइ नगरिएको व्याख्या

यदि सर्वेक्षण केवल वर्णनात्मक छ भने "कारण र प्रभाव" अनुमान नगर्नुहोस्। बलियो सम्बन्ध स्थापित गर्न, उपयुक्त अनुसन्धान डिजाइन र अनुमानित तथ्याङ्कीय परीक्षणहरू आवश्यक पर्दछ।

६. बेवास्ता गर्नुपर्ने सामान्य गल्तीहरू

सर्वेक्षण डेटा प्रशोधनमा प्रायः हुने केही त्रुटिहरू:
- सरसफाइ नगर्नु, त्यसैले नतिजा पक्षपाती हुन्छ
- क्रमबद्ध नभएको वर्गीकृत डेटामा माध्य प्रयोग गर्दै
- मापन स्केलको व्याख्या गर्दैन
- स्पष्ट रणनीति बिना छुटेका मानहरूलाई बेवास्ता गर्ने
- लेबल वा सन्दर्भ बिना ग्राफहरू प्रस्तुत गर्दै

यी त्रुटिहरूबाट बच्नाले, विश्लेषण परिणामहरू अझ वैध र विश्वसनीय हुन्छन्।

बन्द

आधारभूत तथ्याङ्क प्रयोग गरेर सर्वेक्षण डेटा प्रशोधन प्रविधिहरूमा आवश्यक चरणहरूको श्रृंखला समावेश छ: डेटा प्रकारहरू बुझ्ने, प्रतिक्रियाहरू सफा गर्ने र कोड गर्ने, वर्णनात्मक तथ्याङ्कहरू मार्फत डेटा संक्षेप गर्ने, जानकारीको दृश्यावलोकन गर्ने, र परिणामहरूको सही व्याख्या गर्ने। आधारभूत तथ्याङ्कले डेटालाई थप "पठनीय" बनाउन मात्र मद्दत गर्दैन तर सर्वेक्षण-आधारित निर्णयहरूको गुणस्तरलाई पनि बलियो बनाउँछ। सफा र पारदर्शी प्रक्रियाको साथ, सर्वेक्षण डेटा विभिन्न अनुसन्धान आवश्यकताहरू र संगठनात्मक अभ्यासहरूको लागि अन्तर्दृष्टिको मूल्यवान र सही स्रोत बन्न सक्छ।

यदि तपाईं चाहनुहुन्छ भने, म तपाईंलाई सूत्र र टेम्प्लेटहरू सहित Excel/SPSS मा नमूना तालिकाहरू, सर्वेक्षण परिणाम रिपोर्ट ढाँचाहरू, वा सर्वेक्षण डेटा प्रशोधन चरणहरू सिर्जना गर्न पनि मद्दत गर्न सक्छु।