درجه بندي ڊيٽا جو تجزيو ڪيئن ڪجي

ڪيٽيگريڪل ڊيٽا جو تجزيو ڪيئن ڪجي

ڪيٽيگريڪل ڊيٽا تحقيق، ڪاروبار، مارڪيٽنگ، صحت، تعليم، ۽ حتي گراهڪ جي اطمينان جي سروي ۾ سامهون ايندڙ ڊيٽا جي سڀ کان عام قسمن مان هڪ آهي. عددي ڊيٽا (مثال طور، عمر، قد، آمدني) جي برعڪس، جيڪو سراسري يا معياري انحراف استعمال ڪندي ڳڻپيو وڃي ٿو، ڪيٽيگريڪل ڊيٽا ۾ ليبل يا گروپ شامل آهن جهڙوڪ "مرد/عورت،" "متفق/متفق،" "الف/ب/سي،" يا "مطمئن/غير جانبدار/غير مطمئن." ان جي ڪيٽيگريڪل نوعيت جي ڪري، تجزياتي ٽيڪنڪ کي مخصوص طريقن جي ضرورت آهي. هي مضمون ڪيٽيگريڪل ڊيٽا کي مؤثر طريقي سان تجزيو ڪرڻ لاءِ عملي قدمن ۽ عام طريقن تي بحث ڪري ٿو.

1. ڪيٽيگريڪل ڊيٽا جي قسمن کي سمجھڻ

تجزيو ڪرڻ کان اڳ، پهريان سمجھو ته توهان وٽ ڪهڙي قسم جو ڪيٽيگريڪل ڊيٽا آهي. عام طور تي، ٻه قسم آهن:

1) نامزد
زمرن جو ڪو به ترتيب ناهي. مثال: جنس، پسنديده رنگ، پراڊڪٽ برانڊ، رهائش جو علائقو.

2) عام
زمرن جو هڪ سلسلو يا سطح آهي. مثال: اطمينان جي سطح (غير مطمئن - منصفانه - مطمئن)، تعليم جي سطح (هاءِ اسڪول - بيچلر ڊگري - ماسٽر ڊگري)، لِڪرٽ اسڪيل (سخت اختلاف - سخت متفق).

هي فرق اهم آهي ڇاڪاڻ ته اهو مناسب تجزيي جي طريقن کي متاثر ڪري ٿو. عام ڊيٽا کي ان جي ترتيب تي غور ڪندي تجزيو ڪري سگهجي ٿو، جڏهن ته نامياري ڊيٽا نٿو ڪري سگهي.

2. ڊيٽا تيار ڪرڻ: ڪوڊ، ليبل، ۽ ڊيٽا جي صفائي

سٺو تجزيو هميشه منظم ڊيٽا سان شروع ٿئي ٿو. تجويز ڪيل تياري جا قدم:

- ڪيٽيگري لکڻ جي معياري ڪرڻ: مثال طور "مرد" بمقابله "ڇوڪرو" کي گڏ ڪرڻ گهرجي ته جيئن انهن کي مختلف ڪيٽيگريون نه سمجهيو وڃي.
- گم ٿيل قدرن کي سنڀاليو: فيصلو ڪريو ته ڇا حذف ڪرڻ، الزام لڳائڻ، يا هڪ الڳ ڪيٽيگري ٺاهڻ جهڙوڪ "جواب نه ڏنو".
- جيڪڏهن ضروري هجي ته ڪوڊنگ ٺاهيو: مثال طور، متفق = 4، غير جانبدار = 3، متفق = 2. نامياتي قدرن لاءِ، عددي ڪوڊ صرف هڪ ليبل آهي، رياضياتي قدر نه.
- انهن زمرن جي جانچ ڪريو جيڪي تمام گهٽ آهن: تمام گهٽ تعدد وارا زمرا تجزيي ۾ مداخلت ڪري سگهن ٿا؛ ڪڏهن ڪڏهن انهن کي وڌيڪ مستحڪم نتيجا حاصل ڪرڻ لاءِ گڏ ڪرڻ جي ضرورت پوندي آهي.

3. وضاحتي تجزيو: تعدد ۽ تناسب

درجه بندي ڊيٽا لاءِ سڀ کان بنيادي ۽ اهم طريقو حساب ڪرڻ آهي:

- تعدد: هر درجي ۾ جواب ڏيندڙن / مشاهدن جو تعداد.
- تناسب يا سيڪڙو: تعدد کي ڪل ڊيٽا سان ورهايو ويو.

هڪ سادي مثال: 200 جوابدارن مان، 120 "مطمئن"، 50 "غير جانبدار"، ۽ 30 "غير مطمئن" هئا. مطمئن جوابدارن جو سيڪڙو 60٪ آهي.

وضاحتي تجزيو زمرن جي ورڇ جو شروعاتي جائزو فراهم ڪري ٿو. گهڻو ڪري، اهم نتيجا هتي واضح آهن: غالب زمرا، گروپن جي وچ ۾ ساخت ۾ فرق، يا انهن جي ننڍڙي يا وڏي تعداد جي ڪري "عجيب" زمرن جي موجودگي.

4. درجه بندي ڊيٽا لاءِ مناسب بصري

بصريات پڙهندڙن کي نمونن کي جلدي سمجهڻ ۾ مدد ڪن ٿا. عام چارٽ:

- بار چارٽ (بار ڊاگرام): نامياتي ۽ آرڊينل لاءِ سڀ کان وڌيڪ مناسب.
- اسٽيڪ ٿيل بار چارٽ (اسٽيڪ ٿيل بار): ڪيترن ئي گروپن ۾ ڪيٽيگري جي جوڙجڪ جي مقابلي لاءِ سٺو، مثال طور هر شاخ جي اطمينان.
- پائي چارٽ: استعمال ڪري سگھجي ٿو، پر گهٽ اثرائتو آهي جيڪڏهن ڪيتريون ئي ڪيٽيگريون يا ننڍا فرق هجن.
- موزائيڪ پلاٽ: ٻن ڪيٽيگريڪل متغيرن جي وچ ۾ تعلق ڏسڻ لاءِ ڪارآمد.
- پيريٽو چارٽ: هڪ بار چارٽ جنهن ۾ سڀ کان وڌيڪ کان گهٽ ۾ گهٽ فريڪوئنسي جي ترتيب هوندي آهي، جيڪا اڪثر مسئلي جي ترجيحي تجزيي لاءِ استعمال ٿيندي آهي.

صلاح: ترتيب واري ڊيٽا لاءِ، درجابندي کي سطح جي لحاظ کان ترتيب ڏيو (مثال طور، "مضبوط طور تي متفق نه" کان "مضبوط طور تي متفق" تائين)، الفابيٽ جي لحاظ کان نه.

5. ڪراس ٽيب ٺاهڻ

جيڪڏهن توهان ٻن ڪيٽيگريڪل متغيرن جي وچ ۾ تعلق ڏسڻ چاهيو ٿا، ته هڪ ڪراس ٽيب استعمال ڪريو. مثال طور، "جنس" ۽ "پراڊڪٽ ترجيح" يا "علائقو" ۽ "خريداري جي حيثيت" جي وچ ۾ تعلق.

ڪراسٽيبليشن هڪ ٽيبل تيار ڪري ٿي جيڪا ڏيکاري ٿي ته ڪيٽيگريز جي هڪ خاص ميلاپ ۾ ڪيترا مشاهدا آهن. توهان شامل ڪري سگهو ٿا:

- في قطار سيڪڙو: هر قطار ۾ ڪالمن جي زمرے جي ورڇ تي ڌيان ڏئي ٿو.
- في ڪالم سيڪڙو: هر ڪالم ۾ قطار جي زمرے جي ورڇ تي ڌيان ڏئي ٿو.
- ڪل جو سيڪڙو: ڪل ۾ هر سيل جو حصو.

ڪراس ٽيب اڪثر ڪري وضاحتي ۽ شمارياتي ٽيسٽن جي وچ ۾ "پل" جو ڪم ڪن ٿا.

6. آزاديءَ لاءِ چي-اسڪوائر ٽيسٽ

اهو جانچڻ لاءِ ته ڇا ٻه ڪيٽيگريڪل متغير لاڳاپيل آهن يا آزاد، سڀ کان عام ٽيسٽ چي-اسڪوائر (χ²) آزادي جو امتحان آهي. مفروضو هي آهي:

- H0: ڪوبه تعلق نه (آزاد)
- H1: هڪ تعلق آهي (آزاد نه)

جيڪڏهن پي-ويليو اهميت جي سطح آهي (مثال طور، 0,05)، ته پوءِ ٻن متغيرن جي وچ ۾ تعلق جو ثبوت آهي. ڪجهه اهم نوٽس: - چائي-اسڪوائر ٽيسٽ لاءِ ڪافي مقدار ۾ ڊيٽا جي ضرورت آهي، خاص طور تي متوقع فريڪوئنسي تي. جيڪڏهن گهٽ متوقع ڳڻپ سان تمام گهڻا سيل آهن، ته ٽيسٽ جا نتيجا غلط ٿي سگهن ٿا. - جيڪڏهن نمونو ننڍو آهي، ته فشر جي صحيح ٽيسٽ تي غور ڪريو (خاص طور تي 2x2 ٽيبلن لاءِ). 7. رشتي جي طاقت کي ماپڻ: ڪريمر جو V ۽ فائي چائي-اسڪوائر ٽيسٽ ظاهر ڪري ٿو ته ڇا ڪو تعلق موجود آهي، پر اهو توهان کي نٿو ٻڌائي ته اهو ڪيترو مضبوط آهي. هن مقصد لاءِ، اثر سائيز استعمال ڪيا ويندا آهن: - فائي (φ): 2x2 ٽيبلن لاءِ. - ڪريمر جو V: 2x2 کان وڏي ٽيبلن لاءِ. ڪريمر جو V 0–1 کان آهي: - 0 جي ويجهو: ڪمزور تعلق - 1 جي ويجهو: مضبوط تعلق رپورٽ ۾، مڪمل تشريح لاءِ پي-ويليو ۽ اثر سائيز جو ذڪر ڪريو. 8. آرڊينل ڊيٽا لاءِ تجزيو: رينڪ ڪوريليشن ۽ ٽرينڊ ٽيسٽ جيڪڏهن توهان جو ڪيٽيگريڪل ڊيٽا آرڊينل آهي، ته توهان اهڙا طريقا استعمال ڪري سگهو ٿا جيڪي آرڊر کي حساب ۾ رکن ٿا، مثال طور: - اسپيئرمين رينڪ ڪوريليشن (ٻن آرڊينل متغيرن لاءِ يا آرڊينل بمقابله غير معمولي عددي) - ڪينڊل جو ٽاؤ (اسپيئرمين جو متبادل، اڪثر ننڍن نمونن لاءِ مستحڪم) - ڪنٽينجنسي ٽيبلن ۾ ٽرينڊ ٽيسٽ، اهو ڏسڻ لاءِ ته ڇا هڪ مسلسل وڌندڙ/گهٽندڙ نمونو آهي. مثال طور: ڇا تعليم جي سطح (هاءِ اسڪول-بيچلر-ماسٽر-ڊاڪٽرل) هڪ وڌندڙ نموني ۾ معاهدي جي سطحن (1-5) سان لاڳاپيل آهي؟ 9. اڳڪٿي ڪندڙ ماڊل: لاجسٽڪ ريگريشن جيڪڏهن توهان جو مقصد صرف هڪ تعلق ڏسڻ نه آهي، پر ٻين متغيرن جي بنياد تي ڪيٽيگريز جي اڳڪٿي ڪرڻ آهي، رجعت استعمال ڪريو:

- بائنري لاجسٽڪ ريگريشن: ٻن قسمن جي آئوٽ پُٽ لاءِ (مثال طور، "خريد ڪريو" بمقابله "خريد نه ڪريو"). - ملٽي ناميئل لاجسٽڪ ريگريشن: ٻن کان وڌيڪ غير ترتيب ڏنل ڪيٽيگريز سان آئوٽ پُٽ لاءِ (مثال طور، "پيڪيج A/B/C"). - آرڊينل لاجسٽڪ ريگريشن: ترتيب ڏنل ڪيٽيگريڪل آئوٽ پُٽ لاءِ (مثال طور، اطمينان 1-5). لاجسٽڪ ريگريشن جو فائدو: توهان هڪ ئي وقت ڪيترائي اڳڪٿي ڪندڙ شامل ڪري سگهو ٿا (عمر، مقام، مارڪيٽنگ چينل) ۽ هڪ اوڊس تناسب تي ٻڌل تشريح حاصل ڪري سگهو ٿا، مثال طور، "گروپ X ۾ خريداري جو امڪان 1,8 ڀيرا وڌي ويو." 10. نتيجن جي تشريح ۽ نتيجا لکڻ سٺو ڪيٽيگريڪل ڊيٽا تجزيو انگن کان ٻاهر آهي، پر واضح طور تي تحقيق جي سوال جو جواب ڏئي ٿو. نتيجا لکڻ وقت: - مکيه ورڇ بيان ڪريو (مثال طور، "60٪ جواب ڏيندڙ مطمئن آهن"). - جيڪڏهن ايسوسيئيشن جو امتحان آهي، ته پي-ويليو ۽ اثر جي سائيز جي رپورٽ ڪريو (مثال طور، ڪريمر جو V). - عملي اهميت جي وضاحت ڪريو: ڇا فرق پاليسي، مارڪيٽنگ حڪمت عملي، يا تنظيمي فيصلن لاءِ اهم آهي. - جيڪڏهن ڊيٽا مشاهداتي آهي ته سببي دعوائن کان پاسو ڪريو. ايسوسيئيشن هميشه سببي جو مطلب نه آهي. درجه بندي ڊيٽا جي تجزيو لاءِ ڊيٽا جي قسمن (نامياري بمقابله آرڊينل) جي سمجھ، تعدد جي واضح وضاحت، مناسب بصري، ڪراس ٽيبليشن، ۽ شمارياتي ٽيسٽ جهڙوڪ چي-اسڪوائر ۽ اثر سائيز جهڙوڪ ڪريمر جي وي جي ضرورت آهي. اڳڪٿي جي مقصدن لاءِ، لاجسٽڪ ريگريشن هڪ تمام طاقتور اوزار آهي. انهن قدمن سان، توهان ليبل ٿيل ڊيٽا کي شمارياتي طور تي صحيح بصيرت ۾ تبديل ڪري سگهو ٿا جيڪي فيصلا ڪرڻ لاءِ ڪارآمد آهن. جيڪڏهن توهان چاهيو ٿا، ته مان توهان جي ڊيٽا سيٽ يا ڪيس اسٽڊي جي بنياد تي هڪ نموني تجزيو (مثال طور، ايڪسل، ايس پي ايس ايس، آر، يا پٿون استعمال ڪندي) ٺاهڻ ۾ مدد ڪري سگهان ٿو.