ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਵੇਂ ਕਰੀਏ
ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਖੋਜ, ਕਾਰੋਬਾਰ, ਮਾਰਕੀਟਿੰਗ, ਸਿਹਤ, ਸਿੱਖਿਆ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਸਰਵੇਖਣਾਂ ਵਿੱਚ ਸਾਹਮਣੇ ਆਉਣ ਵਾਲੇ ਸਭ ਤੋਂ ਆਮ ਕਿਸਮਾਂ ਦੇ ਡੇਟਾ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਸੰਖਿਆਤਮਕ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ ਉਮਰ, ਉਚਾਈ, ਆਮਦਨ) ਦੇ ਉਲਟ, ਜਿਸਦੀ ਗਣਨਾ ਔਸਤ ਜਾਂ ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਵਿੱਚ ਲੇਬਲ ਜਾਂ ਸਮੂਹ ਹੁੰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ "ਮਰਦ/ਔਰਤ," "ਸਹਿਮਤ/ਅਸਹਿਮਤ," "ਏ/ਬੀ/ਸੀ," ਜਾਂ "ਸੰਤੁਸ਼ਟ/ਨਿਰਪੱਖ/ਅਸੰਤੁਸ਼ਟ।" ਇਸਦੇ ਸ਼੍ਰੇਣੀਬੱਧ ਸੁਭਾਅ ਦੇ ਕਾਰਨ, ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤਕਨੀਕਾਂ ਨੂੰ ਖਾਸ ਪਹੁੰਚਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਲੇਖ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਵਿਹਾਰਕ ਕਦਮਾਂ ਅਤੇ ਆਮ ਤਰੀਕਿਆਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।
1. ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਕਿਸਮਾਂ ਨੂੰ ਸਮਝਣਾ
ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਪਹਿਲਾਂ ਸਮਝੋ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਕਿਸ ਕਿਸਮ ਦਾ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਦੋ ਕਿਸਮਾਂ ਹੁੰਦੀਆਂ ਹਨ:
1) ਨਾਮਾਤਰ
ਸ਼੍ਰੇਣੀਆਂ ਦਾ ਕੋਈ ਕ੍ਰਮ ਨਹੀਂ ਹੈ। ਉਦਾਹਰਨਾਂ: ਲਿੰਗ, ਮਨਪਸੰਦ ਰੰਗ, ਉਤਪਾਦ ਬ੍ਰਾਂਡ, ਰਿਹਾਇਸ਼ ਦਾ ਖੇਤਰ।
2) ਆਰਡੀਨਲ
ਸ਼੍ਰੇਣੀਆਂ ਦਾ ਇੱਕ ਕ੍ਰਮ ਜਾਂ ਪੱਧਰ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨਾਂ: ਸੰਤੁਸ਼ਟੀ ਪੱਧਰ (ਅਸੰਤੁਸ਼ਟ–ਨਿਰਪੱਖ–ਸੰਤੁਸ਼ਟ), ਸਿੱਖਿਆ ਪੱਧਰ (ਹਾਈ ਸਕੂਲ–ਬੈਚਲਰ ਡਿਗਰੀ–ਮਾਸਟਰ ਡਿਗਰੀ), ਲਿਕਰਟ ਸਕੇਲ (ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਸਹਿਮਤ–ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਹਿਮਤ)।
ਇਹ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਢੁਕਵੇਂ ਵਿਸ਼ਲੇਸ਼ਣ ਤਕਨੀਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਆਰਡੀਨਲ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਇਸਦੇ ਕ੍ਰਮ 'ਤੇ ਵਿਚਾਰ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਨਾਮਾਤਰ ਡੇਟਾ ਨਹੀਂ ਕਰ ਸਕਦਾ।
2. ਡੇਟਾ ਤਿਆਰ ਕਰਨਾ: ਕੋਡ, ਲੇਬਲ, ਅਤੇ ਡੇਟਾ ਸਫਾਈ
ਚੰਗਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹਮੇਸ਼ਾ ਸੰਗਠਿਤ ਡੇਟਾ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਸਿਫਾਰਸ਼ ਕੀਤੇ ਗਏ ਤਿਆਰੀ ਦੇ ਕਦਮ:
- ਸ਼੍ਰੇਣੀ ਲਿਖਣ ਦਾ ਮਾਨਕੀਕਰਨ: ਉਦਾਹਰਣ ਵਜੋਂ "ਪੁਰਸ਼" ਬਨਾਮ "ਮੁੰਡਾ" ਨੂੰ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਨਾ ਮੰਨਿਆ ਜਾਵੇ।
- ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਸੰਭਾਲੋ: ਫੈਸਲਾ ਕਰੋ ਕਿ ਕੀ ਮਿਟਾਉਣਾ ਹੈ, ਦੋਸ਼ ਲਗਾਉਣਾ ਹੈ, ਜਾਂ ਇੱਕ ਵੱਖਰੀ ਸ਼੍ਰੇਣੀ ਬਣਾਉਣਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਜਵਾਬ ਨਹੀਂ ਦਿੱਤਾ"।
- ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਕੋਡਿੰਗ ਬਣਾਓ: ਉਦਾਹਰਨ ਲਈ, ਸਹਿਮਤੀ=4, ਨਿਰਪੱਖ=3, ਅਸਹਿਮਤ=2। ਨਾਮਾਤਰ ਮੁੱਲਾਂ ਲਈ, ਸੰਖਿਆਤਮਕ ਕੋਡ ਸਿਰਫ਼ ਇੱਕ ਲੇਬਲ ਹੈ, ਗਣਿਤਿਕ ਮੁੱਲ ਨਹੀਂ।
– ਉਹਨਾਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ ਜੋ ਬਹੁਤ ਦੁਰਲੱਭ ਹਨ: ਬਹੁਤ ਘੱਟ ਬਾਰੰਬਾਰਤਾ ਵਾਲੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਿਘਨ ਪਾ ਸਕਦੀਆਂ ਹਨ; ਕਈ ਵਾਰ ਵਧੇਰੇ ਸਥਿਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਜੋੜਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
3. ਵਰਣਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ: ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਅਨੁਪਾਤ
ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਰੀਕਾ ਗਣਨਾ ਕਰਨਾ ਹੈ:
– ਬਾਰੰਬਾਰਤਾ: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਉੱਤਰਦਾਤਾਵਾਂ/ਨਿਰੀਖਣਾਂ ਦੀ ਗਿਣਤੀ।
- ਅਨੁਪਾਤ ਜਾਂ ਪ੍ਰਤੀਸ਼ਤ: ਕੁੱਲ ਡੇਟਾ ਨਾਲ ਵੰਡੀ ਗਈ ਬਾਰੰਬਾਰਤਾ।
ਇੱਕ ਸਧਾਰਨ ਉਦਾਹਰਣ: 200 ਉੱਤਰਦਾਤਾਵਾਂ ਵਿੱਚੋਂ, 120 "ਸੰਤੁਸ਼ਟ" ਸਨ, 50 "ਨਿਰਪੱਖ" ਸਨ, ਅਤੇ 30 "ਅਸੰਤੁਸ਼ਟ" ਸਨ। ਸੰਤੁਸ਼ਟ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ 60% ਹੈ।
ਵਰਣਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਵੰਡ ਦਾ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਅਕਸਰ, ਮਹੱਤਵਪੂਰਨ ਖੋਜਾਂ ਦੀ ਪਛਾਣ ਇੱਥੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਪ੍ਰਮੁੱਖ ਸ਼੍ਰੇਣੀਆਂ, ਸਮੂਹਾਂ ਵਿਚਕਾਰ ਰਚਨਾ ਵਿੱਚ ਅੰਤਰ, ਜਾਂ ਉਹਨਾਂ ਦੀ ਛੋਟੀ ਜਾਂ ਵੱਡੀ ਸੰਖਿਆ ਦੇ ਕਾਰਨ "ਅਜੀਬ" ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਮੌਜੂਦਗੀ।
4. ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਢੁਕਵੀਂ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪਾਠਕਾਂ ਨੂੰ ਪੈਟਰਨਾਂ ਨੂੰ ਜਲਦੀ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਆਮ ਚਾਰਟ:
– ਬਾਰ ਚਾਰਟ (ਬਾਰ ਡਾਇਗ੍ਰਾਮ): ਨਾਮਾਤਰ ਅਤੇ ਆਰਡੀਨਲ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ।
– ਸਟੈਕਡ ਬਾਰ ਚਾਰਟ (ਸਟੈਕਡ ਬਾਰ): ਕਈ ਸਮੂਹਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀ ਰਚਨਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵਧੀਆ, ਉਦਾਹਰਣ ਵਜੋਂ ਪ੍ਰਤੀ ਸ਼ਾਖਾ ਸੰਤੁਸ਼ਟੀ।
– ਪਾਈ ਚਾਰਟ: ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਜਾਂ ਛੋਟੇ ਅੰਤਰ ਹਨ ਤਾਂ ਇਹ ਘੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ।
- ਮੋਜ਼ੇਕ ਪਲਾਟ: ਦੋ ਸ਼੍ਰੇਣੀਬੱਧ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੇਖਣ ਲਈ ਉਪਯੋਗੀ।
- ਪੈਰੇਟੋ ਚਾਰਟ: ਇੱਕ ਬਾਰ ਚਾਰਟ ਜਿਸ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਤੋਂ ਘੱਟ ਬਾਰੰਬਾਰਤਾ ਤੱਕ ਦਾ ਕ੍ਰਮ ਹੁੰਦਾ ਹੈ, ਜੋ ਅਕਸਰ ਸਮੱਸਿਆ ਦੇ ਤਰਜੀਹੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਸੁਝਾਅ: ਕ੍ਰਮਬੱਧ ਡੇਟਾ ਲਈ, ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਪੱਧਰ ਅਨੁਸਾਰ ਕ੍ਰਮਬੱਧ ਕਰੋ (ਜਿਵੇਂ ਕਿ, "ਜ਼ੋਰਦਾਰ ਅਸਹਿਮਤ" ਤੋਂ "ਜ਼ੋਰਦਾਰ ਸਹਿਮਤ" ਤੱਕ), ਵਰਣਮਾਲਾ ਅਨੁਸਾਰ ਨਹੀਂ।
5. ਕਰਾਸਸਟੈਬ ਬਣਾਉਣਾ
ਜੇਕਰ ਤੁਸੀਂ ਦੋ ਸ਼੍ਰੇਣੀਬੱਧ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇੱਕ ਕਰਾਸਟੈਬ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਉਦਾਹਰਨ ਲਈ, "ਲਿੰਗ" ਅਤੇ "ਉਤਪਾਦ ਤਰਜੀਹ" ਜਾਂ "ਖੇਤਰ" ਅਤੇ "ਖਰੀਦ ਸਥਿਤੀ" ਵਿਚਕਾਰ ਸਬੰਧ।
ਕਰਾਸਟੇਬੂਲੇਸ਼ਨ ਇੱਕ ਸਾਰਣੀ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਇੱਕ ਖਾਸ ਸੁਮੇਲ ਵਿੱਚ ਕਿੰਨੇ ਨਿਰੀਖਣ ਹਨ। ਤੁਸੀਂ ਇਹ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ:
- ਪ੍ਰਤੀ ਕਤਾਰ ਪ੍ਰਤੀਸ਼ਤ: ਹਰੇਕ ਕਤਾਰ ਵਿੱਚ ਕਾਲਮ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਵੰਡ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ।
- ਪ੍ਰਤੀ ਕਾਲਮ ਪ੍ਰਤੀਸ਼ਤ: ਹਰੇਕ ਕਾਲਮ ਵਿੱਚ ਕਤਾਰ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਵੰਡ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ।
- ਕੁੱਲ ਦਾ ਪ੍ਰਤੀਸ਼ਤ: ਕੁੱਲ ਵਿੱਚ ਹਰੇਕ ਸੈੱਲ ਦਾ ਯੋਗਦਾਨ।
ਕਰਾਸਟੈਬ ਅਕਸਰ ਵਰਣਨਾਤਮਕ ਅਤੇ ਅੰਕੜਾ ਟੈਸਟਾਂ ਵਿਚਕਾਰ ਇੱਕ "ਪੁਲ" ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ।
6. ਆਜ਼ਾਦੀ ਲਈ ਚੀ-ਸਕੁਏਅਰ ਟੈਸਟ
ਇਹ ਜਾਂਚਣ ਲਈ ਕਿ ਕੀ ਦੋ ਸ਼੍ਰੇਣੀਬੱਧ ਵੇਰੀਏਬਲ ਸਬੰਧਤ ਹਨ ਜਾਂ ਸੁਤੰਤਰ, ਸਭ ਤੋਂ ਆਮ ਟੈਸਟ ਚੀ-ਸਕੁਏਅਰ (χ²) ਸੁਤੰਤਰਤਾ ਟੈਸਟ ਹੈ। ਪਰਿਕਲਪਨਾ ਇਹ ਹੈ:
– H0: ਕੋਈ ਸਬੰਧ ਨਹੀਂ (ਸੁਤੰਤਰ)
– H1: ਇੱਕ ਸਬੰਧ ਹੈ (ਸੁਤੰਤਰ ਨਹੀਂ)
ਜੇਕਰ p-ਮੁੱਲ < ਮਹੱਤਵ ਪੱਧਰ (ਉਦਾਹਰਨ ਲਈ, 0,05) ਹੈ, ਤਾਂ ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦਾ ਸਬੂਤ ਹੈ। ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਨੋਟਸ: - ਚੀ-ਵਰਗ ਟੈਸਟ ਲਈ ਕਾਫ਼ੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਉਮੀਦ ਕੀਤੀ ਗਈ ਬਾਰੰਬਾਰਤਾ 'ਤੇ। ਜੇਕਰ ਘੱਟ ਉਮੀਦ ਕੀਤੀ ਗਈ ਗਿਣਤੀ ਵਾਲੇ ਬਹੁਤ ਸਾਰੇ ਸੈੱਲ ਹਨ, ਤਾਂ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਅਵੈਧ ਹੋ ਸਕਦੇ ਹਨ। - ਜੇਕਰ ਨਮੂਨਾ ਛੋਟਾ ਹੈ, ਤਾਂ ਫਿਸ਼ਰ ਦੇ ਸਟੀਕ ਟੈਸਟ 'ਤੇ ਵਿਚਾਰ ਕਰੋ (ਖਾਸ ਕਰਕੇ 2x2 ਟੇਬਲਾਂ ਲਈ)। 7. ਕਿਸੇ ਰਿਸ਼ਤੇ ਦੀ ਤਾਕਤ ਨੂੰ ਮਾਪਣਾ: ਕ੍ਰੈਮਰ ਦਾ V ਅਤੇ ਫਾਈ ਚੀ-ਵਰਗ ਟੈਸਟ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੀ ਕੋਈ ਰਿਸ਼ਤਾ ਮੌਜੂਦ ਹੈ, ਪਰ ਇਹ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਇਹ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ਹੈ। ਇਸ ਉਦੇਸ਼ ਲਈ, ਪ੍ਰਭਾਵ ਆਕਾਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ: - ਫਾਈ (φ): 2x2 ਟੇਬਲਾਂ ਲਈ। - ਕ੍ਰੈਮਰ ਦਾ V: 2x2 ਤੋਂ ਵੱਡੀਆਂ ਟੇਬਲਾਂ ਲਈ। ਕ੍ਰੈਮਰ ਦਾ V 0–1 ਤੱਕ ਹੁੰਦਾ ਹੈ: - 0 ਦੇ ਨੇੜੇ: ਕਮਜ਼ੋਰ ਰਿਸ਼ਤਾ - 1 ਦੇ ਨੇੜੇ: ਮਜ਼ਬੂਤ ਰਿਸ਼ਤਾ ਰਿਪੋਰਟ ਵਿੱਚ, ਪੂਰੀ ਵਿਆਖਿਆ ਲਈ p-ਮੁੱਲ ਅਤੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਦਾ ਜ਼ਿਕਰ ਕਰੋ। 8. ਆਰਡੀਨਲ ਡੇਟਾ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ: ਰੈਂਕ ਸਹਿ-ਸੰਬੰਧ ਅਤੇ ਰੁਝਾਨ ਟੈਸਟ ਜੇਕਰ ਤੁਹਾਡਾ ਸ਼੍ਰੇਣੀਗਤ ਡੇਟਾ ਆਰਡੀਨਲ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਉਹਨਾਂ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਕ੍ਰਮ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ, ਉਦਾਹਰਨ ਲਈ: - ਸਪੀਅਰਮੈਨ ਰੈਂਕ ਸਹਿ-ਸੰਬੰਧ (ਦੋ ਆਰਡੀਨਲ ਵੇਰੀਏਬਲਾਂ ਲਈ ਜਾਂ ਆਰਡੀਨਲ ਬਨਾਮ ਗੈਰ-ਆਮ ਸੰਖਿਆਤਮਕ) - ਕੇਂਡਲ ਦਾ ਟਾਉ (ਸਪੀਅਰਮੈਨ ਦਾ ਵਿਕਲਪ, ਅਕਸਰ ਛੋਟੇ ਨਮੂਨਿਆਂ ਲਈ ਸਥਿਰ) - ਸੰਕਟਕਾਲੀਨ ਸਾਰਣੀਆਂ ਵਿੱਚ ਰੁਝਾਨ ਟੈਸਟ, ਇਹ ਦੇਖਣ ਲਈ ਕਿ ਕੀ ਇੱਕ ਨਿਰੰਤਰ ਵਧਦਾ/ਘਟਦਾ ਪੈਟਰਨ ਹੈ। ਉਦਾਹਰਨ ਲਈ: ਕੀ ਸਿੱਖਿਆ ਪੱਧਰ (ਹਾਈ ਸਕੂਲ-ਬੈਚਲਰ-ਮਾਸਟਰ-ਡਾਕਟੋਰਲ) ਇੱਕ ਵਧਦੇ ਪੈਟਰਨ ਵਿੱਚ ਸਮਝੌਤੇ ਦੇ ਪੱਧਰਾਂ (1-5) ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ? 9. ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ: ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਜੇਕਰ ਤੁਹਾਡਾ ਟੀਚਾ ਸਿਰਫ਼ ਇੱਕ ਸਬੰਧ ਨੂੰ ਦੇਖਣਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਹੈ, ਤਾਂ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰੋ:
- ਬਾਈਨਰੀ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ: ਦੋ-ਸ਼੍ਰੇਣੀ ਆਉਟਪੁੱਟ ਲਈ (ਉਦਾਹਰਨ ਲਈ, "ਖਰੀਦੋ" ਬਨਾਮ "ਨਾ ਖਰੀਦੋ")। - ਬਹੁ-ਪਦਮੀ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ: ਦੋ ਤੋਂ ਵੱਧ ਅਨਆਰਡਰਡ ਸ਼੍ਰੇਣੀਆਂ ਵਾਲੇ ਆਉਟਪੁੱਟ ਲਈ (ਉਦਾਹਰਨ ਲਈ, "ਪੈਕੇਜ A/B/C")। - ਆਰਡੀਨਲ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ: ਕ੍ਰਮਬੱਧ ਸ਼੍ਰੇਣੀਗਤ ਆਉਟਪੁੱਟ ਲਈ (ਉਦਾਹਰਨ ਲਈ, ਸੰਤੁਸ਼ਟੀ 1-5)। ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਦਾ ਫਾਇਦਾ: ਤੁਸੀਂ ਇੱਕੋ ਸਮੇਂ ਕਈ ਭਵਿੱਖਬਾਣੀਆਂ (ਉਮਰ, ਸਥਾਨ, ਮਾਰਕੀਟਿੰਗ ਚੈਨਲ) ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਇੱਕ ਔਡਜ਼ ਅਨੁਪਾਤ-ਅਧਾਰਤ ਵਿਆਖਿਆ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ, ਉਦਾਹਰਨ ਲਈ, "ਗਰੁੱਪ X ਵਿੱਚ ਖਰੀਦਦਾਰੀ ਦੀ ਸੰਭਾਵਨਾ 1,8 ਗੁਣਾ ਵਧ ਗਈ ਹੈ।" 10. ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਸਿੱਟੇ ਲਿਖਣਾ ਚੰਗਾ ਸ਼੍ਰੇਣੀਗਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸੰਖਿਆਵਾਂ ਤੋਂ ਪਰੇ ਜਾਂਦਾ ਹੈ, ਪਰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਖੋਜ ਪ੍ਰਸ਼ਨ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਸਿੱਟੇ ਲਿਖਣ ਵੇਲੇ: - ਮੁੱਖ ਵੰਡ ਦੱਸੋ (ਉਦਾਹਰਨ ਲਈ, "60% ਉੱਤਰਦਾਤਾ ਸੰਤੁਸ਼ਟ ਹਨ")। - ਜੇਕਰ ਐਸੋਸੀਏਸ਼ਨ ਦਾ ਟੈਸਟ ਹੈ, ਤਾਂ p-ਮੁੱਲ ਅਤੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਦੀ ਰਿਪੋਰਟ ਕਰੋ (ਉਦਾਹਰਨ ਲਈ, Cramér's V)। - ਵਿਹਾਰਕ ਮਹੱਤਵ ਸਮਝਾਓ: ਕੀ ਅੰਤਰ ਨੀਤੀ, ਮਾਰਕੀਟਿੰਗ ਰਣਨੀਤੀ, ਜਾਂ ਸੰਗਠਨਾਤਮਕ ਫੈਸਲਿਆਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। - ਜੇਕਰ ਡੇਟਾ ਨਿਰੀਖਣ ਹੈ ਤਾਂ ਕਾਰਕ ਦਾਅਵਿਆਂ ਤੋਂ ਬਚੋ। ਐਸੋਸੀਏਸ਼ਨ ਹਮੇਸ਼ਾ ਕਾਰਕ ਨੂੰ ਦਰਸਾਉਂਦੀ ਨਹੀਂ ਹੈ। ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਡੇਟਾ ਕਿਸਮਾਂ (ਨਾਮਜ਼ਦ ਬਨਾਮ ਆਰਡੀਨਲ), ਫ੍ਰੀਕੁਐਂਸੀ ਦਾ ਸਪਸ਼ਟ ਵਰਣਨ, ਢੁਕਵਾਂ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਕਰਾਸ-ਟੇਬੂਲੇਸ਼ਨ, ਅਤੇ ਅੰਕੜਾ ਟੈਸਟ ਜਿਵੇਂ ਕਿ ਚੀ-ਵਰਗ ਅਤੇ ਪ੍ਰਭਾਵ ਆਕਾਰ ਜਿਵੇਂ ਕਿ ਕ੍ਰੈਮਰ ਦੇ V ਦੀ ਸਮਝ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਭਵਿੱਖਬਾਣੀ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਇੱਕ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੈ। ਇਹਨਾਂ ਕਦਮਾਂ ਨਾਲ, ਤੁਸੀਂ ਲੇਬਲ ਕੀਤੇ ਡੇਟਾ ਨੂੰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਸਹੀ ਸੂਝ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹੋ ਜੋ ਫੈਸਲੇ ਲੈਣ ਲਈ ਉਪਯੋਗੀ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਤੁਹਾਡੇ ਡੇਟਾਸੈਟ ਜਾਂ ਕੇਸ ਸਟੱਡੀ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਨਮੂਨਾ ਵਿਸ਼ਲੇਸ਼ਣ (ਜਿਵੇਂ ਕਿ ਐਕਸਲ, SPSS, R, ਜਾਂ Python ਦੀ ਵਰਤੋਂ ਕਰਕੇ) ਬਣਾਉਣ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹਾਂ।