بنيادي شماريات استعمال ڪندي سروي ڊيٽا پروسيسنگ ٽيڪنڪس
سروي جواب ڏيندڙن کان ڊيٽا گڏ ڪرڻ لاءِ سڀ کان عام طريقن مان هڪ آهي، ڇا اهو تعليمي تحقيق، خدمت جي تشخيص، مارڪيٽ ريسرچ، يا تنظيمي فيصلو سازي لاءِ آهي. بهرحال، سروي ڊيٽا بي معنيٰ آهي جيڪڏهن منظم طريقي سان پروسيس نه ڪيو وڃي. هي اهو هنڌ آهي جتي بنيادي انگ اکر ڪم ۾ اچن ٿا: محققن کي ڊيٽا جو خلاصو ڪرڻ، نمونن جي سڃاڻپ ڪرڻ، رجحانات جو جائزو وٺڻ، ۽ ابتدائي، ماپيل نتيجا ڪڍڻ ۾ مدد ڪرڻ. هي مضمون بنيادي انگ اکر استعمال ڪندي سروي ڊيٽا پروسيسنگ ٽيڪنڪ تي بحث ڪري ٿو، ڊيٽا جي تياري کان وٺي نتيجن جي تشريح تائين.
1. سروي ڊيٽا جي قسمن کي سمجھڻ
ڊيٽا پروسيسنگ کان اڳ پهريون قدم گڏ ڪيل ڊيٽا جي قسم کي سمجهڻ آهي. عام طور تي، سروي ڊيٽا ۾ شامل ٿي سگھي ٿو:
1. درجه بندي (معياري) ڊيٽا
مثال: جنس، برانڊ ترجيح، روزگار جي حيثيت. هي ڊيٽا عام طور تي تعدد ۽ فيصد استعمال ڪندي تجزيو ڪيو ويندو آهي.
2. عام ڊيٽا
مثال: اطمينان جو پيمانو (تمام گهڻو غير مطمئن - تمام گهڻو مطمئن)، اتفاق جي سطح (سخت اختلاف - سخت متفق). عام ڊيٽا جو هڪ ترتيب آهي، پر درجابندي جي وچ ۾ فاصلو ضروري ناهي ته ساڳيو هجي.
3. عددي (مقداري) ڊيٽا
مثال: عمر، آمدني، خريداري جو تعداد. هن ڊيٽا جو تجزيو مرڪزي رجحان، پکيڙ، ۽ مختلف ٻين طريقن جي ماپن کي استعمال ڪندي ڪري سگهجي ٿو.
ماپ جي ماپن (نامياري، ترتيبي، وقفو، تناسب) کي سمجهڻ ضروري آهي ڇاڪاڻ ته اهو مناسب شمارياتي ٽيڪنڪ ۽ نتيجن کي ڪيئن پيش ڪجي اهو طئي ڪري ٿو.
2. تياري جو مرحلو: ڊيٽا کي ايڊٽ ڪرڻ ۽ صاف ڪرڻ
سروي ڊيٽا ۾ اڪثر غلطيون، نقل، يا غير مطابقت وارا جواب هوندا آهن. تنهن ڪري، ٻه اهم قدم ضروري آهن:
الف. ايڊيٽنگ
جواب ڏيندڙ جي جوابن جي مڪمل ۽ مستقل مزاجي جي جانچ ڪريو. مثال طور، جيڪڏهن ڪنهن جوابدار جي عمر 8 سال آهي پر انهن جي ملازمت جي حيثيت "ملازم" آهي، ته ان جو جائزو وٺڻ جي ضرورت آهي.
ب. صفائي
صاف ڊيٽا کان:
- گم ٿيل ڊيٽا (گم ٿيل قدر): جواب ڏيندڙن ڪجهه سوالن جا جواب نه ڏنا.
- آئوٽليئر: هڪ انتهائي قدر جيڪا بي معنيٰ آهي، مثال طور عام آبادي لاءِ هر مهيني 1 ارب جي آمدني.
- جوابن جي نقل: جواب ڏيندڙ هڪ کان وڌيڪ ڀيرا سروي مڪمل ڪن ٿا.
گم ٿيل قدرن کي سنڀالڻ داخلائن کي حذف ڪرڻ، انهن کي وچين/وچولي قدر سان تبديل ڪرڻ (عددي ڊيٽا لاءِ)، يا درجه بندي ڊيٽا لاءِ "جواب نه ڏنو" درجي استعمال ڪندي ڪري سگهجي ٿو - تجزيو جي مقصد ۽ گم ٿيل ڊيٽا جي تناسب تي منحصر آهي.
3. ڪوڊنگ ۽ ڊيٽا انٽري
هڪ ڀيرو ڊيٽا صاف ٿي وڃي، ان کي ڪوڊ ڪريو، جنهن جو مطلب آهي ته جوابن کي هڪ اهڙي فارميٽ ۾ تبديل ڪيو وڃي جيڪو پروسيس ڪرڻ ۾ آسان هجي. مثال طور:
- جنس: مرد = 1، عورت = 2
- لِڪرٽ اسڪيل: سخت اختلاف = 1 کان سخت متفق = 5
ڪوڊنگ ايڪسل، ايس پي ايس ايس، آر، يا پٿون جهڙن سافٽ ويئر ۾ ڊيٽا داخل ڪرڻ کي آسان بڻائي ٿي. پڪ ڪريو ته هڪ ڪوڊ بڪ (هڪ دستاويز جنهن ۾ متغير، تعريفون، ۽ ڪوڊ شامل آهن) ٺاهيو ته جيئن توهان جو تجزيو ٻين پاران نقل ۽ سمجهي سگهجي.
4. وضاحتي انگ اکر: سروي ڊيٽا جو خلاصو
وضاحتي انگ اکر شروعاتي ڊيٽا پروسيسنگ جو مرڪز آهن. انهن جو مقصد نظرين کي جانچڻ نه آهي، پر ڊيٽا جي خاصيتن جو هڪ عام جائزو مهيا ڪرڻ آهي.
الف. فريڪوئنسي ۽ فيصد ورڇ
درجه بندي ۽ ترتيب واري ڊيٽا لاءِ، حساب ڪريو:
- تعدد (جوابن جو تعداد)
- سيڪڙو (ڪل جوابن جو تناسب)
مثال جا نتيجا:
"گهڻو ڪري 60 سيڪڙو جواب ڏيندڙن سروس الف کي چونڊيو، 40 سيڪڙو سروس ب کي چونڊيو."
آسان سمجھڻ لاءِ فريڪوئنسي ورڇ عام طور تي جدولن ۽ بار/پائي گرافس ۾ پيش ڪيا ويندا آهن.
ب. مرڪزي رجحان جي ماپ
عددي ڊيٽا لاءِ، استعمال ڪريو:
- اوسط (اوسط): سڀني قدرن جو مجموعو جيڪو جواب ڏيندڙن جي تعداد سان ورهايل آهي.
- وچين: ڊيٽا ترتيب ڏيڻ کان پوءِ وچين قدر.
- موڊ: اهو قدر جيڪو اڪثر ظاهر ٿئي ٿو.
اوسط نسبتاً هموار ورڇ واري ڊيٽا لاءِ موزون آهي، جڏهن ته وچين وڌيڪ مستحڪم هوندو آهي جڏهن ٻاهر نڪرندڙ يا هڪ اسڪيو ورڇ هوندي آهي. موڊ اڪثر ڪري ڪيٽيگريڪل ڊيٽا لاءِ ڪارآمد هوندو آهي يا جڏهن توهان سڀ کان عام چونڊ ڏسڻ چاهيو ٿا.
ج. اسپريڊ جو سائز (متغير)
پکيڙ جي ماپن مان اهو طئي ڪرڻ ۾ مدد ملندي آهي ته جواب ڏيندڙن جا جواب ڪيترا مختلف آهن:
- حد: وڌ ۾ وڌ ۽ گھٽ ۾ گھٽ قدرن جي وچ ۾ فرق.
- فرق: قدرن ۽ اوسط جي وچ ۾ فرق جو سراسري چورس.
- معياري انحراف: ويرينس جو چورس روٽ، تشريح ڪرڻ آسان آهي ڇاڪاڻ ته يونٽ اصل ڊيٽا وانگر ساڳيا آهن.
مثال طور، ٻن گروهن کي ساڳيو سراسري اطمينان ٿي سگهي ٿو، پر مختلف معياري انحراف - هڪ گروپ جنهن ۾ وڏي معياري انحراف جو مطلب آهي ته جواب ڏيندڙن جا جواب وڌيڪ مختلف آهن.
5. ڊيٽا ويزوئلائيزيشن
گراف نتيجا جلدي ۽ واضح طور تي پهچائڻ ۾ مدد ڪن ٿا. سروي ڊيٽا لاءِ ڪجھ عام قسم جا تصور:
- بار چارٽ: درجه بندي/آرڊينل ڊيٽا لاءِ.
- هسٽوگرام: عددي ڊيٽا جي ورڇ لاءِ.
- باڪس پلاٽ: وچين، چوٿون، ۽ آئوٽليئر ڏيکاري ٿو.
- لائن چارٽ: جيڪڏهن سروي وقت بوقت ڪئي ويندي آهي (ٽائيم سيريز).
غلط تشريح کان بچڻ لاءِ هڪ سٺي ويزوئلائيزيشن کي عنوان، محور ليبل، ۽ ڊيٽا ذريعا ڏنا وڃن.
6. ڪراس ٽيب تجزيو
ڪراسٽيبليشن ٻن ڪيٽيگريڪل يا آرڊينل متغيرن جي وچ ۾ تعلق ڏسڻ لاءِ استعمال ڪيو ويندو آهي. مثال:
- جنس جي بنياد تي اطمينان (مطمئن/غير مطمئن)
- عمر جي گروپ جي بنياد تي پيداوار جي چونڊ
ڪراس ٽيب جا نتيجا عام طور تي في قطار يا في ڪالم فيصد سان پيش ڪيا ويندا آهن. هي گروپن جي وچ ۾ نمونن جي فرق کي سڃاڻڻ لاءِ ڪارآمد آهي.
ميلاپ:
"مطمئن جواب ڏيندڙن جو سيڪڙو 18-25 سالن جي مقابلي ۾ 26-35 سالن جي عمر جي گروپ ۾ وڌيڪ هو."
جيتوڻيڪ ڪراس-ٽيبليشن اڃا تائين فطرت ۾ وضاحتي آهن، نتيجا اڪثر ڪري وڌيڪ تجزيي لاءِ بنياد طور ڪم ڪن ٿا.
7. لِڪرٽ اسڪيلز جي پروسيسنگ: اسڪورنگ ۽ تشريح
ڪيترائي سروي 1-5 يا 1-7 جي لِڪرٽ اسڪيل استعمال ڪندا آهن. پروسيسنگ ٽيڪنڪ ۾ شامل آهن:
1. هر شيءِ جي سراسري اسڪور جو حساب ڪريو
مثال طور، "سروس جي معيار" جي سراسري درجه بندي 5 مان 4,2 آهي.
2. هڪ انڊيڪس/ڪمپوزٽ ٺاهيو
جيڪڏهن هڪ تصور کي ماپڻ لاءِ ڪيترائي شيون آهن (مثال طور "اطمينان" ۾ 5 سوال شامل آهن)، ته پوءِ اسڪور کي هڪ انڊيڪس ويليو ٺاهڻ لاءِ اختصار يا اوسط ڪري سگهجي ٿو.
3. اسڪور جي درجه بندي
اسڪور کي ڪجهه حدن سان گهٽ-وچولي-وڌيڪ جي قسمن ۾ تبديل ڪري سگهجي ٿو.
لِڪرٽ جي تشريح ۾، استعمال ٿيل پيماني جو ذڪر ڪرڻ ۽ اسڪور جي معنيٰ بيان ڪرڻ ضروري آهي ته جيئن پڙهندڙ تناظر کي سمجهي سگهي.
8. سادو اعتبار جي چڪاس (اختياري)
جيڪڏهن توهان ڪيترن ئي سوالن مان هڪ انڊيڪس ٺاهي رهيا آهيو، ته ان جي اندروني تسلسل کي جانچڻ هڪ سٺو خيال آهي. هڪ عام ماپ ڪرونباچ جو الفا آهي. جڏهن ته هي خالص "بنيادي انگ اکر" کان ٿورو اڳتي وڃي ٿو، اهو تصور اڃا تائين سروي پروسيسنگ ۾ اڪثر استعمال ڪيو ويندو آهي. هڪ اعلي الفا قدر (مثال طور، ≥ 0,7) عام طور تي ظاهر ڪري ٿو ته شيون ساڳئي تعمير کي ڪافي مسلسل ماپي رهيون آهن.
9. نتيجن ۽ رپورٽنگ جي تشريح
سٺي ڊيٽا پروسيسنگ جي نتيجي ۾ واضح رپورٽنگ هجڻ گهرجي. پنهنجي رپورٽ ۾، پڪ ڪريو ته شامل ڪريو:
- جوابدار جي پروفائل (اهم آبادي)
- هر مکيه متغير جي نتيجن جو خلاصو
- لاڳاپيل جدول/گراف
- غير مبالغہ آميز تشريح
جيڪڏهن سروي صرف وضاحتي هجي ته "سبب ۽ اثر" جو اندازو لڳائڻ کان پاسو ڪريو. هڪ مضبوط تعلق قائم ڪرڻ لاءِ، مناسب تحقيقي ڊيزائن ۽ تخميني شمارياتي ٽيسٽ جي ضرورت آهي.
10. عام غلطيون جن کان بچڻ گهرجي
ڪجھ غلطيون جيڪي اڪثر سروي ڊيٽا پروسيسنگ ۾ ٿينديون آهن:
- صفائي نه ڪرڻ، تنهن ڪري نتيجا جانبدار آهن
- غير ترتيب ڏنل ڪيٽيگريڪل ڊيٽا تي اوسط استعمال ڪندي
- ماپ جي ماپ جي وضاحت نٿو ڪري.
- واضح حڪمت عملي کانسواءِ گم ٿيل قدرن کي نظرانداز ڪرڻ
- ليبل يا حوالي کان سواءِ گراف پيش ڪرڻ
انهن غلطين کان بچڻ سان، تجزيي جا نتيجا وڌيڪ صحيح ۽ قابل اعتماد ٿي ويندا آهن.
پينوٽ اپ
بنيادي انگ اکر استعمال ڪندي سروي ڊيٽا پروسيسنگ ٽيڪنڪ ۾ ضروري قدمن جو هڪ سلسلو شامل آهي: ڊيٽا جي قسمن کي سمجهڻ، جوابن کي صاف ڪرڻ ۽ ڪوڊ ڪرڻ، وضاحتي انگ اکر ذريعي ڊيٽا جو خلاصو ڪرڻ، معلومات کي ڏسڻ، ۽ نتيجن جي صحيح تشريح ڪرڻ. بنيادي انگ اکر نه رڳو ڊيٽا کي وڌيڪ "پڙهڻ لائق" بڻائڻ ۾ مدد ڪن ٿا پر سروي تي ٻڌل فيصلن جي معيار کي پڻ مضبوط ڪن ٿا. هڪ صاف ۽ شفاف عمل سان، سروي ڊيٽا مختلف تحقيق جي ضرورتن ۽ تنظيمي عملن لاءِ بصيرت جو هڪ قيمتي ۽ صحيح ذريعو بڻجي سگهي ٿو.
جيڪڏهن توهان چاهيو ٿا، ته مان توهان کي فارمولن ۽ ٽيمپليٽس سان گڏ ايڪسل/SPSS ۾ نموني ٽيبل، سروي جي نتيجن جي رپورٽ فارميٽ، يا سروي ڊيٽا پروسيسنگ مرحلن ٺاهڻ ۾ پڻ مدد ڪري سگهان ٿو.
