සංඛ්‍යාලේඛනවල ඇස්තමේන්තු ක්‍රම
සංඛ්‍යාලේඛන යනු දත්ත රැස් කිරීම, විශ්ලේෂණය කිරීම සහ අර්ථ නිරූපණය කිරීමේ විද්‍යාව වන අතර එහි අත්‍යවශ්‍ය අංගයක් වන්නේ ඇස්තමේන්තුවයි. සංඛ්‍යාලේඛනවල ඇස්තමේන්තු කිරීම යනු නියැදියකින් ලබාගත් තොරතුරු මත පදනම්ව ජනගහන පරාමිතියක ආසන්න අගය තීරණය කිරීමේ ක්‍රියාවලියයි. ඇස්තමේන්තු ක්‍රම ප්‍රධාන වර්ග දෙකකට වර්ග කළ හැකිය: ලක්ෂ්‍ය ඇස්තමේන්තුව සහ අන්තරාල ඇස්තමේන්තුව. මෙම ලිපියෙන්, සංඛ්‍යාලේඛනවල බහුලව භාවිතා වන විවිධ ඇස්තමේන්තු ක්‍රම අපි සාකච්ඡා කරමු.
ඇස්තමේන්තු කිරීම පිළිබඳ මූලික අවබෝධය
ඇස්තමේන්තු කිරීමේ ක්‍රම වෙත පිවිසීමට පෙර, මූලික පද කිහිපයක් තේරුම් ගැනීම වැදගත් වේ:
– පරාමිතීන්: ජනගහනයක සංඛ්‍යාත්මක ලක්ෂණ. උදාහරණයක් ලෙස, ජනගහන මධ්‍යන්‍යය (µ), ජනගහන විචලනය (σ²).
– සංඛ්‍යාලේඛන: නියැදියක සංඛ්‍යාත්මක ලක්ෂණ. උදාහරණයක් ලෙස, නියැදි මධ්‍යන්‍යය (x̄), නියැදි විචලනය (s²).
ඇස්තමේන්තු කිරීමේ ප්‍රධාන අරමුණ වන්නේ නියැදි දත්ත මත පදනම්ව ජනගහන පරාමිතීන් පිළිබඳ නිගමනවලට එළඹීමයි . සංඛ්‍යාලේඛනවල ප්‍රධාන ඇස්තමේන්තු වර්ග දෙකක් තිබේ:
1. ලක්ෂ්‍ය ඇස්තමේන්තුව: ජනගහන පරාමිතියේ ඇස්තමේන්තුවක් ලෙස එක් අගයක් පමණක් සපයයි.
2. අන්තරාල ඇස්තමේන්තුව: ජනගහන පරාමිතියක ඇස්තමේන්තුවක් ලෙස, යම් මට්ටමක විශ්වාසයක් ඇතුළුව, අගයන් පරාසයක් සපයයි.
ලක්ෂ්‍ය ඇස්තමේන්තු ක්‍රමය
ලක්ෂ්‍ය ඇස්තමේන්තුව යනු ජනගහන පරාමිතියක හොඳම ඇස්තමේන්තුව වන තනි සංඛ්‍යාවක් සැපයීමේ ක්‍රියාවලියයි. බහුලව භාවිතා වන සමහර ලක්ෂ්‍ය ඇස්තමේන්තු වන්නේ:
1. නියැදි මධ්‍යන්‍යය
ජනගහන මධ්‍යන්‍යය ඇස්තමේන්තු කිරීමට ඇති සරලම සහ වඩාත් පොදු ක්‍රමය වන්නේ නියැදි මධ්‍යන්‍යය භාවිතා කිරීමයි, එය ගණනය කරනු ලබන්නේ:
\[ \තීරුව{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]
මෙහි \( x_i \) යනු නියැදියේ එක් එක් නිරීක්ෂණය වන අතර \( n \) යනු නියැදි ප්‍රමාණයයි.
2. නියැදි මධ්‍යන්‍යය
නියැදි මධ්‍යන්‍යය යනු වර්ග කළ නියැදි දත්තවල මැද අගයයි. එය බාහිර සාධක මගින් බලපෑමට ලක් නොවන බැවින් එය ශක්තිමත් ඇස්තමේන්තුවකි.
3. නියැදි අනුපාතය
ජනගහන අනුපාතය ඇස්තමේන්තු කිරීම සඳහා, නියැදි අනුපාතය භාවිතා කරනු ලැබේ, එය ගණනය කරනු ලබන්නේ:
\[ \hat{p} = \frac{x}{n} \]
මෙහි \( x \) යනු නියැදියේ සාර්ථකත්වයන් ගණන වන අතර \( n \) යනු නියැදි ප්‍රමාණයයි.
අන්තර ඇස්තමේන්තු ක්‍රමය
අන්තර ඇස්තමේන්තු මඟින් ජනගහන පරාමිතිය යම් මට්ටමක විශ්වාසයකින් (උදා: 95%) ආවරණය කිරීමට අපේක්ෂා කරන අගයන් පරාසයක් සපයයි. අන්තර ඇස්තමේන්තු බොහෝ විට විශ්වාස අන්තරයක (CI) ආකාරයෙන් ප්‍රකාශ වේ.
1. ජනගහන මධ්‍යන්‍යය සඳහා විශ්වාසනීය පරතරය
නියැදි දත්ත පැමිණෙන්නේ නම් සාමාන්‍ය ව්‍යාප්තිය හෝ ( n ) ප්‍රමාණවත් තරම් විශාල නම් (CLT අදාළ වේ), ජනගහන මධ්‍යන්‍යය ( mu ) සඳහා විශ්වාසනීය පරතරය වන්නේ:
\[ \බාර්{x} \pm z_{\ඇල්ෆා/2} \frac{\සිග්මා}{\sqrt{n}} \]
කොහෙද:
– \( \bar{x} \) යනු නියැදි මධ්‍යන්‍යයයි
– \( z_{\alpha/2} \) යනු විශ්වාසනීය මට්ටමට අනුරූප වන සම්මත සාමාන්‍ය ව්‍යාප්තියේ z-අගයයි (උදා: 95% සඳහා 1.96%)
– (සිග්මා) යනු සම්මත අපගමනය ජනගහනය. \( \sigma \) නොදන්නේ නම්, \( s \) (නියැදි සම්මත අපගමනය) භාවිතා වේ.
– \( n \) යනු නියැදි ප්‍රමාණයයි.
2. ජනගහන අනුපාතය සඳහා විශ්වාසනීය පරතරය
ජනගහන අනුපාතය ඇස්තමේන්තු කිරීමට \( p \):
\[ \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \]
මෙහි \( \hat{p} \) යනු පෙර විස්තර කර ඇති පරිදි නියැදි අනුපාතය සහ අනෙකුත් පරාමිතීන් වේ.
වෙනත් ඇස්තමේන්තු ක්‍රම
1. උපරිම සම්භාවිතාව (ML) ක්‍රමය
උපරිම සම්භාවිතාව ක්‍රමය යනු ජනගහන පරාමිතියක් සඳහා හොඳම ඇස්තමේන්තුව සොයා ගැනීමට භාවිතා කරන තාක්‍ෂණයකි \( \theta \) සම්භාවිතා ශ්‍රිතය උපරිම කිරීමෙන් \( L(\theta) \). සම්භාවිතා ශ්‍රිතය යනු පරාමිතිය ලබා දී ඇති විට නිරීක්ෂණය කරන ලද දත්ත ලබා ගැනීමේ සම්භාවිතාවයි \( \theta \):
\[ L(\තීටා|x) = \prod_{i=1}^{n} f(x_i|\තීටා) \]
මෙහි \( f(x_i|\theta) \) යනු දත්තවල සම්භාවිතා ඝනත්ව ශ්‍රිතය (PDF) වේ. \( L(\theta) \) උපරිම කරන ඇස්තමේන්තුව උපරිම සම්භාවිතා ඇස්තමේන්තුව (MLE) ලෙස හැඳින්වේ.
2. බේසියානු ඇස්තමේන්තු ක්‍රමය
බේසියානු ප්‍රවේශය පරාමිතීන් ලෙස සලකයි අහඹු විචල්‍යයන් සහ පරාමිතීන් ඇස්තමේන්තු කිරීමට සම්භාවිතා ව්‍යාප්ති භාවිතා කරන්න. බේස් ප්‍රමේයය මත පදනම්ව:
\[ P(\තීටා|x) = \frac{P(x|\තීටා) P(\තීටා)}{P(x)} \]
මෙහි \( P(\theta|x) \) යනු පසුපස ව්‍යාප්තිය වන අතර, \( P(x|\theta) \) යනු සම්භාවිතාව වන අතර, \( P(\theta) \) යනු පූර්ව අගය වන අතර, \( P(x) \) යනු සම්භාවිතා ආන්තිකය වේ. බේසියානු ඇස්තමේන්තුකරුවන් භාවිතා කරන පූර්ව අගයන් මත ඕනෑවට වඩා රඳා පවතී.
ඇස්තමේන්තු ඇගයීම
ලක්ෂ්‍ය ඇස්තමේන්තුවක් ඇගයීමට, අපි එහි ගුණාංග පරීක්ෂා කළ යුතුය:
– සාධාරණත්වය/පක්ෂග්‍රාහීත්වය: ඇස්තමේන්තුකරු \( \hat{\theta} \) \( E[\hat{\theta}] = \theta \) නම් එය අපක්ෂපාතී යැයි කියනු ලැබේ.
– කාර්යක්ෂමතාව: සියලුම අපක්ෂපාතී ඇස්තමේන්තුකරුවන් අතරින් කුඩාම විචලනය ඇත්තේ කාර්යක්ෂම ඇස්තමේන්තුකරුවෙකුට ය.
– අනුකූලතාව: නියැදි ප්‍රමාණය \( n \) වැඩි වන විට \( \hat{\theta} \) \( \theta \) වෙත ළඟා වුවහොත් ඇස්තමේන්තුවක් අනුකූල යැයි කියනු ලැබේ.
යෙදුම් උදාහරණ
1. සාමාන්‍ය ආදායම් ඇස්තමේන්තුව
ආර්ථික පර්යේෂණ වලදී, ජනගහනයක සාමාන්‍ය ආදායම ඇස්තමේන්තු කිරීම බොහෝ විට සිදු කෙරේ. පර්යේෂකයන් ජනගහනයේ නියැදියක් ගෙන ලක්ෂ්‍ය ඇස්තමේන්තුවක් ලෙස නියැදි මධ්‍යන්‍යය ගණනය කර, මෙම ඇස්තමේන්තුවේ අවිනිශ්චිතභාවය නිරූපණය කිරීම සඳහා විශ්වාසනීය පරතරයක් සපයයි.
2. ඡන්දදායක අනුපාතය ඇස්තමේන්තු කිරීම
මැතිවරණ සමීක්ෂණයකදී, පර්යේෂකයෙකුට නිශ්චිත අපේක්ෂකයෙකුට සහාය දක්වන ඡන්දදායකයින්ගේ ප්‍රතිශතය ඇස්තමේන්තු කිරීමට අවශ්‍ය විය හැකිය. එම අපේක්ෂකයාට සහාය දක්වන ප්‍රතිචාර දැක්වූවන්ගේ නියැදි අනුපාතය \( \hat{p} \) ලක්ෂ්‍ය ඇස්තමේන්තුවක් ලෙස භාවිතා කරයි. දෝෂයේ ආන්තිකය පෙන්වීමට විශ්වාසනීය පරතරයක් සැපයිය හැකිය.
නිගමනය
ඇස්තමේන්තු ක්‍රම සංඛ්‍යාලේඛනවල කේන්ද්‍රීය කාර්යභාරයක් ඉටු කරයි, මන්ද ඒවා පර්යේෂකයන්ට නියැදි දත්ත මත පදනම්ව ජනගහනය පිළිබඳ නිගමනවලට එළඹීමට ඉඩ සලසයි. ලක්ෂ්‍ය සහ කාලාන්තර ඇස්තමේන්තු ක්‍රම මේ සඳහා ප්‍රබල මෙවලම් සපයන අතර, උපරිම සම්භාවිතාව සහ බේසියානු ඇස්තමේන්තුව වැනි ශිල්පීය ක්‍රම දත්තවල සංකීර්ණතා ගැඹුරින් සොයා බලයි. සාධාරණ, කාර්යක්ෂම සහ ස්ථාවර ඇස්තමේන්තු භාවිතා කිරීම විශ්වාසදායක සහ නිවැරදි දත්ත විශ්ලේෂණ ප්‍රතිඵල සහතික කරයි , ආර්ථික විද්‍යාව, සමාජ විද්‍යාව, සෞඛ්‍යය සහ තවත් බොහෝ ක්ෂේත්‍රවල වඩා හොඳ තීරණ ගැනීමට පහසුකම් සපයයි.
