පර්යේෂණාත්මක නිර්මාණයේ සංඛ්යාලේඛන
විද්යාත්මක පර්යේෂණවල තීරණාත්මක පදනමක් වන්නේ පර්යේෂණාත්මක නිර්මාණයයි, විශේෂයෙන් ප්රතිචාර විචල්යයකට ප්රතිකාරයක බලපෑම පරීක්ෂා කිරීම මූලික ඉලක්කය වන විට. කෙසේ වෙතත්, "පිළිවෙලට පෙනෙන" අත්හදා බැලීමක් අනිවාර්යයෙන්ම වලංගු නිගමන ලබා නොදිය හැකිය. සංඛ්යාලේඛන අදාළ වන්නේ මෙහිදීය: පර්යේෂකයන්ට අත්හදා බැලීම් කාර්යක්ෂමව සැලසුම් කිරීමට, අනවශ්ය විචලනයන් පාලනය කිරීමට, දත්ත නිවැරදිව විශ්ලේෂණය කිරීමට සහ හොඳ නිගමනවලට එළඹීමට උපකාර කිරීම. සැලසුම් කිරීමේ සිට ප්රතිඵල අර්ථ නිරූපණය කිරීම දක්වා, පර්යේෂණාත්මක නිර්මාණයට සංඛ්යාලේඛන කේන්ද්රීය වන්නේ කෙසේද යන්න මෙම ලිපියෙන් සාකච්ඡා කෙරේ.
1. අත්හදා බැලීම් වලදී සංඛ්යාලේඛන වැදගත් වන්නේ ඇයි?
ප්රායෝගිකව, පර්යේෂණාත්මක දත්තවල සෑම විටම පාහේ වෙනස්කම් අඩංගු වේ: විෂයයන් අතර වෙනස්කම්, පාරිසරික තත්ත්වයන්හි වෙනස්කම්, මිනුම් උපකරණවල අසම්පූර්ණකම් සහ මානව සාධක පවා. සංඛ්යානමය ප්රවේශයකින් තොරව, පර්යේෂකයන් වැරදි ලෙස නිගමනය කළ හැක්කේ ප්රතිකාරයක් වෙනත් සාධක (ව්යාකූල) හෝ අහම්බෙන් (අහඹු විචලනය) මගින් බලපෑමට ලක් වූ විට වෙනසක් නිසා ඇති වන බවයි.
සංඛ්යාලේඛන ප්රධාන ප්රශ්නයකට පිළිතුරු දීමට උපකාරී වේ: නිරීක්ෂණය කරන ලද වෙනස අහම්බෙන් පමණක් සිදුවීමට ඉඩක් නොමැති තරම් විශාල සහ අනුකූලද? වෙනත් වචන වලින් කිවහොත්, සංඛ්යාලේඛන පර්යේෂකයන්ට "සංඥාව" (ප්රතිකාරයේ බලපෑම) "ශබ්දය" (අහඹු විචල්යතාවය) වලින් වෙන්කර හඳුනා ගැනීමට ඉඩ සලසයි.
2. පර්යේෂණාත්මක නිර්මාණයේ මූලික සංකල්ප
සාමාන්යයෙන්, හොඳ පර්යේෂණාත්මක සැලසුමකට ප්රධාන මූලධර්ම තුනක් ඇත:
1. අහඹුකරණය
අහඹු ලෙස සිදු කිරීම යනු අත්හදා බැලීමේ ඒකකවලට (උදා: ශාක, සතුන්, පන්ති, රෝගීන්, යන්ත්ර) අහඹු ලෙස ප්රතිකාර පැවරීමේ ක්රියාවලියයි. ඉලක්කය වන්නේ පක්ෂග්රාහීත්වය අඩු කිරීම සහ ව්යාකූල සාධක අහඹු ලෙස බෙදා හැරීමයි, එවිට ඔවුන් ක්රමානුකූලව එක් ප්රතිකාරයකට වඩා තවත් ප්රතිකාරයකට අනුග්රහය නොදක්වයි.
2. අනුරූකරණය
ප්රතිනිර්මාණය යනු බහු ඒකක මත ප්රතිකාරයක් නැවත නැවත කිරීමයි. ප්රතිනිර්මාණය සමඟින්, පර්යේෂකයන්ට ස්වාභාවික විචල්යතාවය ඇස්තමේන්තු කළ හැකි අතර ප්රතිකාර සංසන්දනය කිරීමේ නිරවද්යතාවය වැඩි කළ හැකිය. ප්රතිනිර්මාණ වැඩි වන තරමට (සහ වඩාත් සුදුසු වන තරමට), ඇස්තමේන්තුගත ප්රතිකාර බලපෑම වඩාත් ස්ථායී වේ.
3. අවහිර කිරීම (විචලන පාලනය)
ක්ෂේත්ර පිහිටීම, නිෂ්පාදන කාණ්ඩය හෝ වයස් කාණ්ඩයේ වෙනස්කම් වැනි පර්යේෂණාත්මක ඒකකවල පුරෝකථනය කළ හැකි විෂමතාවයක් ඇති විට අවහිර කිරීම භාවිතා කෙරේ. සමාන ඒකක බ්ලොක් වලට කාණ්ඩගත කර ඇති අතර, ප්රතිකාර බ්ලොක් තුළ අහඹු ලෙස සිදු කෙරේ. මෙය දෝෂය අඩු කරන අතර පරීක්ෂණයේ බලය වැඩි කරයි.
මෙම මූලධර්ම තුන එකිනෙකට අනුපූරක වන අතර විශේෂයෙන් පර්යේෂකයන් ANOVA හෝ ප්රතිගාමීත්වය වැනි ආකෘති භාවිතා කරන විට සංඛ්යානමය විශ්ලේෂණයට සමීපව සම්බන්ධ වේ.
3. විචල්යයන්, උපකල්පන සහ බලපෑම් ප්රමාණයන් තීරණය කිරීම
අත්හදා බැලීමක් සිදු කිරීමට පෙර, පර්යේෂකයා තීරණය කළ යුත්තේ:
– ප්රතිචාර විචල්යය (Y): මනිනු ලබන්නේ කුමක්ද? උදාහරණ: අස්වැන්න අස්වැන්න, සැකසුම් කාලය, සීනි ප්රමාණය, තෘප්තිමත් ලකුණු.
– ප්රතිකාර සාධක සහ මට්ටම්: උදාහරණයක් ලෙස, පොහොර වර්ගය (A, B, C) හෝ උෂ්ණත්වය (20°C, 30°C, 40°C).
– උපකල්පනය:
– H0: ප්රතිකාර අතර සාමාන්ය ප්රතිචාරයේ වෙනසක් නොමැත.
– H1: අවම වශයෙන් එක් ප්රතිකාරයක වෙනසක් ඇත
– බලපෑම් ප්රමාණය: ප්රායෝගිකව අර්ථවත් ලෙස සලකනු ලබන විශාල වෙනසක් කොපමණද? මෙය වැදගත් වන්නේ “සංඛ්යානමය වශයෙන් වැදගත්” වෙනසක් අනිවාර්යයෙන්ම ක්රියාකාරීව අදාළ නොවන බැවිනි.
සංඛ්යාලේඛන මඟින් බලපෑම් ප්රමාණය සහ විශ්වාසනීය පරතරය පිළිබඳ සංකල්ප සපයන අතර, එමඟින් පර්යේෂකයන් p-අගය කෙරෙහි පමණක් නොව, බලපෑමේ විශාලත්වය සහ එහි අවිනිශ්චිතතාවය කෙරෙහි ද අවධානය යොමු කරයි.
4. පර්යේෂණාත්මක දෝෂය සහ විචලනය
සංඛ්යානමය රාමුවක් තුළ, පර්යේෂණාත්මක ප්රතිඵල බොහෝ විට ආකෘතිගත කර ඇත්තේ:
Y = μ + ප්රතිකාර ආචරණය + දෝෂය
දෝෂය යන්නට ප්රතිකාරය මගින් පැහැදිලි කළ නොහැකි සියලු වෙනස්කම් ඇතුළත් වේ: ඒකක අසමමිතිකතා, පාරිසරික උච්චාවචනයන්, මිනුම් දෝෂ යනාදිය. ප්රධාන සැලසුම් අභියෝගය වන්නේ අවහිර කිරීම, ක්රියා පටිපාටි නියාමනය සහ මිනුම් ප්රමිතිකරණය හරහා දෝෂ අවම කිරීම හෝ පාලනය කිරීමයි.
විචලනය පිළිබඳ සංකල්පය කේන්ද්රීය වේ: දෝෂ විචලනය කුඩා වන තරමට, ප්රතිකාර අතර වෙනස්කම් හඳුනා ගැනීම පහසුය. එබැවින්, උපකරණ ක්රමාංකනය සහ අනුකූල මිනුම් ක්රියා පටිපාටි වැනි මිනුම් ද පර්යේෂණාත්මක ගුණාත්මක භාවයේ “සංඛ්යානමය අංග” වේ.
5. පර්යේෂණාත්මක නිර්මාණ වල පොදු වර්ග
බොහෝ විට භාවිතා වන සමහර සම්භාව්ය මෝස්තර:
1. සම්පූර්ණයෙන්ම අහඹු නිර්මාණය (CRD)
සියලුම ඒකක සමජාතීය යැයි උපකල්පනය කර ඇති අතර, ප්රතිකාර ඒකක හරහා අහඹු ලෙස සිදු කෙරේ. මෙය සාපේක්ෂව ඒකාකාර රසායනාගාර තත්වයන් සඳහා සුදුසු වේ.
2. අහඹු බ්ලොක් නිර්මාණය (RAK)
ඒකක සමජාතීය කුට්ටි වලට බෙදා ඇති අතර, පසුව එක් එක් කුට්ටිය තුළ ප්රතිකාර අහඹු ලෙස සිදු කෙරේ. කණ්ඩායම් අතර විචලනය පෙන්නුම් කරන ක්ෂේත්ර හෝ නිෂ්පාදන අත්හදා බැලීම් සඳහා සුදුසු වේ.
3. සාධක නිර්මාණය
එකවර සාධක එකකට වඩා පරීක්ෂා කිරීම. උදාහරණයක් ලෙස: පොහොර (A/B) සහ ජලය දැමීමේ තීව්රතාවය (අඩු/ඉහළ). වාසිය නම් එයට අන්තර්ක්රියා සඳහා පරීක්ෂා කළ හැකි වීමයි, එනම්, එක් සාධකයක බලපෑම තවත් සාධකයක මට්ටම මත රඳා පවතීද යන්නයි.
4. බෙදීම්-බිම් සැලැස්ම
කුඩා පරිමාණයකින් අහඹු ලෙස සකස් කිරීමට අපහසු සාධක ඇති විට භාවිතා වේ, උදාහරණයක් ලෙස මුළු කාමරයටම උෂ්ණත්ව ප්රතිකාරය (ප්රධාන බිම් කොටස) සහ එක් එක් පෑන සඳහා පෝෂක වර්ගය (උප බිම් කොටස). විශ්ලේෂණයට කැදැලි දෝෂ ව්යුහයක් අවශ්ය වේ.
5. නැවත නැවත මිනුම් සහිතව නිර්මාණය කිරීම
එකම ඒකකය කාලයත් සමඟ කිහිප වතාවක් මනිනු ලැබේ (උදා: සතිපතා රුධිර පීඩනය). සංඛ්යානමය ආකෘති එකම විෂය තුළ මිනුම් අතර සහසම්බන්ධතා සඳහා හේතු විය යුතුය.
සෑම නිර්මාණයකම පරීක්ෂා කළ යුතු විවිධ විශ්ලේෂණ ආකෘති සහ උපකල්පන ඇත.
6. සංඛ්යානමය විශ්ලේෂණය: ANOVA සිට ප්රතිගමනය දක්වා
ප්රතිකාර ක්රම අතර මාධ්යයන් සංසන්දනය කිරීම සඳහා, බොහෝ විට භාවිතා කරන විශ්ලේෂණය ANOVA (විචල්යතා විශ්ලේෂණය) වේ. එහි නම "විචල්යතා විශ්ලේෂණය" වුවද, එහි මූලික අරමුණ වන්නේ ප්රතිකාරයෙන් ලැබෙන විචලනය සහ දෝෂයෙන් ලැබෙන විචලනය වෙන්කර හඳුනා ගැනීමයි.
සාධකීය සැලසුම් වලදී, ANOVA හට වෙන් කළ හැක්කේ:
– A සාධකයේ ප්රධාන බලපෑම,
– B සාධකයේ ප්රධාන බලපෑම,
– A×B අන්තර්ක්රියා බලපෑම.
ANOVA ට අමතරව, ප්රතිගමනය බොහෝ විට භාවිතා වේ, විශේෂයෙන් සාධක ප්රමාණාත්මක වන විට (උදා: මාත්රා 0, 5, 10, 15). ප්රතිගමනය මඟින් රේඛීය සහ රේඛීය නොවන සම්බන්ධතා ආකෘතිකරණය කිරීමට මෙන්ම ප්රශස්ත ලක්ෂ්ය ඇස්තමේන්තු කිරීමටද ඉඩ සලසයි.
නූතන විශ්ලේෂණයන් බොහෝ විට ධූරාවලි ව්යුහයන් (අහඹු බලපෑම් ලෙස බ්ලොක්) හෝ අසමතුලිත දත්ත සහිත සැලසුම් හැසිරවීමට මිශ්ර රේඛීය ආකෘති භාවිතා කරයි.
7. උපකල්පන සහ ආදර්ශ රෝග විනිශ්චය පරීක්ෂා කිරීම
සංඛ්යාලේඛන p-අගය ගණනය කිරීමෙන් නතර නොවේ. පර්යේෂකයන් ආකෘති උපකල්පන පරීක්ෂා කළ යුතුය, එනම්:
– අවශේෂවල සාමාන්යභාවය (දෝෂ සාමාන්ය ව්යාප්තියකට ළඟා වේද යන්න),
– සමජාතීයතාව (නිරන්තර අවශේෂ විචලනය),
– ස්වාධීනත්වය (අවශේෂ එකිනෙකා මත රඳා නොපවතී).
උපකල්පන උල්ලංඝනය වුවහොත්, විසඳුම්වලට දත්ත පරිවර්තනය (ලොග්, වර්ගමූලය), වඩාත් සුදුසු ආකෘතියක් (උදා: ගණන් කිරීමේ දත්ත සඳහා පොයිසන් ආකෘතියක්) හෝ පරාමිතික නොවන ප්රවේශයක් ඇතුළත් විය හැකිය.
8. නියැදි ප්රමාණය, බලය සහ වර්ගය I/II දෝෂය
පර්යේෂණාත්මක ඒකක ගණන තීරණය කිරීම සංකල්පයට සමීපව සම්බන්ධ වේ:
– I වර්ගයේ දෝෂය (α): බලපෑමක් නොමැති විට බලපෑමක් ඇති බව නිගමනය කිරීම.
– II වර්ගයේ දෝෂය (β): සැබවින්ම පවතින බලපෑමක් අනාවරණය කර ගැනීමට අපොහොසත් වීම.
– බලය (1−β) : සැබවින්ම පවතින බලපෑමක් අනාවරණය කර ගැනීමේ සම්භාවිතාව.
ප්රතිඵලවල නිරවද්යතාවය සමඟ අත්හදා බැලීමක පිරිවැය සමතුලිත කිරීමට බල ගණනය කිරීම් උපකාරී වේ. ඉතා කුඩා නියැදි ප්රමාණයක් සහිත අත්හදා බැලීම් බලපෑම සැබෑ වුවද "සැලකිය යුතු නොවන" නිගමනයක් ඇති කිරීමේ අවදානමක් ඇත. අනෙක් අතට, ඉතා විශාල නියැදි ප්රමාණයක් කුඩා වෙනස්කම් සංඛ්යානමය වශයෙන් වැදගත් නමුත් ප්රායෝගිකව අදාළ නොවේ.
9. ප්රතිඵල අර්ථ නිරූපණය: වැදගත්කම එදිරිව ප්රයෝජනවත් බව
එක් පොදු වැරැද්දක් නම් “වැදගත්” යන්න “වැදගත්” සමඟ සමාන කිරීමයි. සංඛ්යාලේඛන පර්යේෂකයින්ට වාර්තා කිරීමට දිරිගන්වයි:
- බලපෑම ඇස්තමේන්තු කිරීම,
- විශ්වාසනීය පරතරය,
- බලපෑමේ ප්රමාණය,
- සහ එහි ප්රායෝගික සන්දර්භය.
උදාහරණයක් ලෙස, අස්වැන්නේ 1% ක වැඩිවීමක් සංඛ්යානමය වශයෙන් වැදගත් විය හැකි නමුත්, එය අතිරේක පොහොර පිරිවැය අනිවාර්යයෙන්ම පියවා නොගත හැකිය. එබැවින්, අවසාන තීරණයට විද්යාත්මක හා ආර්ථික සලකා බැලීම් දෙකම අවශ්ය වේ.
10. නිගමනය
සංඛ්යාලේඛන සහ පර්යේෂණාත්මක නිර්මාණය වෙන් කළ නොහැකි ය. සංඛ්යාලේඛන සාධාරණ (අහඹුකරණය), ශක්තිමත් (අනුරූකරණය) සහ කාර්යක්ෂම (අවහිර කිරීම) අත්හදා බැලීම් සැලසුම් කිරීම සඳහා රාමුවක් සපයන අතරම, උපකල්පන පරීක්ෂා කිරීම සහ අවිනිශ්චිතතාව ප්රමාණනය කිරීම සඳහා විශ්ලේෂණාත්මක මෙවලම් ද සපයයි. ශබ්ද නිර්මාණ මූලධර්ම සහ සුදුසු විශ්ලේෂණයන් යෙදීමෙන්, පර්යේෂකයන්ට වඩාත් වලංගු, අනුකරණය කළ හැකි සහ ප්රායෝගිකව අර්ථවත් නිගමන ඉදිරිපත් කළ හැකිය. අවසාන වශයෙන්, සංඛ්යාලේඛන යනු "ගණනය කිරීමේ මෙවලමක්" පමණක් නොව, අත්හදා බැලීම් විශ්වාසදායක දැනුමක් බවට පරිවර්තනය කරන භාෂාවකි.
ඔබ කැමති නම්, මට මෙම ලිපිය නිශ්චිත සන්දර්භයකට (උදා: කෘෂිකර්මය, සෞඛ්ය සේවා, කාර්මික/නිෂ්පාදන හෝ අධ්යාපනය) අනුවර්තනය කර නිර්මාණ උදාහරණ සහ සරල විශ්ලේෂණ වගු එකතු කළ හැකිය.
