Sampling analysis ျပဳလုပ္ရာတြင္ ကုန္က်စရိတ္ႏွစ္မ်ိဳးရွိသည္။ တစ္ခုမွာ data စုေဆာင္းစရိတ္ႏွင့္ က်န္တစ္ခုမွာ
data မွ ရရွိလာေသာ မမွန္ကန္သည့္ သံုးသပ္ယူဆမွဳစရိတ္ျဖစ္သည္။ မမွန္ကန္သည့္ သံုးသပ္ယူဆမွဳ ျဖစ္ေစေသာ အေၾကာင္းရင္း
ႏွစ္မ်ိဳးရွိသည္။ ၄င္းတို႕မွာ systematic
bias ႏွင့္ sampling error တို႕ျဖစ္ၾကသည္။
Systematic bias မွာ sampling procedure ၏
errors မ်ားမွ ရရွိလာေသာ ရလဒ္ျဖစ္သည္။ ထို
errors အား sample size ကိုတိုးယူျခင္းျဖင့္ ေလ်ာ့နည္းပေပ်ာက္ ႏိုင္မည္မဟုတ္ေပ။ ထို
errors မ်ားအားရွာေဖြ၍ မွန္ကန္ေအာင္ျပဳလုပ္ျခင္းသည္သာလွ်င္ အေကာင္းဆံုးလုပ္ေဆာင္ခ်က္ျဖစ္သည္။ Systematic bias သည္ ေအာက္ပါအခ်က္မ်ားမွ ရရွိလာေသာ
ရလဒ္ျဖစ္သည္။
၁။ Inappropriate sampling frame – Universe
ထဲတြင္ ဘက္လိုက္ေသာ ကိုယ္စားျပဳမွဳ/သူ ရွိခဲ့လွ်င္ Systematic bias ကိုရရွိေစသည္။
၂။ Defective measuring device – Measuring device
သည္ အျမဲတမ္း error ျဖစ္ေနလွ်င္ Systematic bias ကိုရရွိေစသည္။ ဥပမာ - ေမးခြန္းစဥ္ သို႕မဟုတ္ အင္တာဗ်ဴးသူသည္ ဘက္လိုက္မွဳ
(biased) ရွိေနခဲ့လွ်င္ Systematic bias ကိုရရွိမည္ျဖစ္သည္။ ထိုကဲ့သို႕ တိုင္းတာမွဳမ်ားျပဳလုပ္ႏိုင္သည့္ physical
measuring device သည္ ခၽြတ္ယြင္းမွဳ (defective) ရွိေနခဲ့လွ်င္ ဤ measuring device
ျဖင့္ တိုင္းတာမွဳျပဳကာ စုေဆာင္းထားေသာ data မ်ားတြင္ Systematic bias မ်ားရွိေနေပလိမ့္မည္။
၃။ Non-respondents - အစပထမတြင္ နမူနာေရြးရန္ျပဳလုပ္ထားသူမ်ားအား
၄င္းတို႕ထံမွ နမူနာ ေကာက္ယူျခင္း မျပဳလုပ္ႏိုင္ခဲ့လွ်င္ Systematic bias ကိုရရွိေစသည္။ အဘယ့္ေၾကာင့္ဆိုေသာ္ တစ္ဦးခ်င္းစီထံမွ ရရွိေသာ
တံု႔ျပန္ခ်က္အေျဖသည္ ခန္႕မွန္းအကဲျဖတ္လိုသည့္အရာအား တိုင္းတာမွဳႏွင့္ မၾကာခဏ ဆက္စပ္မွဳရွိသည္။
၄။ Indeterminacy principle – Observation ျပဳလုပ္ေသာအခါ
လူပုဂၢိဳလ္မ်ားသည္ တစ္ဦးႏွင့္တစ္ဦး မတူကြဲျပားစြာလုပ္ေဆာင္ၾကသည္ကို ေတြ႕ရေပလိမ့္မည္။ ဥပမာ - လုပ္ငန္းခြင္တစ္ခုအတြင္းတြင္ အလုပ္သမားမ်ားသည္
၄င္းတို႕အား ေစာင့္ၾကည့္ေနသည္ကိုသိေနလွ်င္ လုပ္ငန္းျပီးစီးရန္အတြက္ အခ်ိန္တစ္ခုကို
သတ္မွတ္ထားၾကေပလိမ့္မည္။ ထို႕အတူ လုပ္ငန္းခြဲတမ္းကိုလည္း
ခ်မွတ္ထားေပလိမ့္မည္။ အကယ္၍ ၄င္းတို႕အားေစာင့္ၾကည့္မွဳ
မရွိခဲ့လွ်င္ အလုပ္သမားမ်ားသည္ အလုပ္ကို သူတို႕လုပ္ႏိုင္သည္ထက္ပိုမိုေႏွးေကြးစြာ လုပ္ေဆာင္လာရန္
ဦးတည္ေနေပလိမ့္မည္။ ထို႕ေၾကာင့္ မေရရာ မေသခ်ာေသာ
Indeterminacy principle သည္ Systematic bias ကိုရရွိေစသည္။
၅။ Natural bias in the reporting of data –
Data မ်ားကို မွတ္တမ္းတင္ရာတြင္ ေျဖၾကားသူ၏ (Natural bias) ဘက္လိုက္မွဳမ်ားသည္ Systematic
bias မ်ားကို ရရွိေစျခင္း၏ အေၾကာင္းရင္းျဖစ္သည္။
အစိုးရအခြန္ဌာနမွ စုေဆာင္းေသာ income data တြင္ downward bias ရွိႏိုင္သကဲ့သို႕
လူမွဳအဖြဲ႕အစည္းမ်ားမွ စုေဆာင္းေသာ income data တြင္ upward bias ရွိႏိုင္သည္ကို ေတြ႕ရသည္။ လူမ်ားသည္ ၄င္းတို႕၏ ဝင္ေငြကို အခြန္အတြက္ ေမးလွ်င္
အမွန္ထက္ ေလွ်ာ့၍ေျဖတတ္ၾကေသာ္လည္း လူမွဳေရး သို႕မဟုတ္ ၾကြယ္ဝခ်မ္းသာမွဳ တို႕အတြက္ေမးလွ်င္
အမွန္ထက္တိုး၍ေျဖတတ္ၾကသည္။ ေယဘုယ်အားျဖင့္
လူတို႕၏ စိတ္ပိုင္းဆိုင္ရာ စစ္တမ္းမ်ားတြင္ လူမ်ားသည္ သူတို႕၏ ခံစားခ်က္အမွန္ကို ေဖာ္ျပရန္ထက္
မွန္ကန္ေသာအေျဖကိုေပးရန္ ဦးတည္တတ္သည္။
Sampling errors ဆိုသည္မွာ နမူနာမ်ားကို အကဲျဖတ္ခန္႕မွန္းရာတြင္
ျဖစ္ေပၚလာေသာ random
variations ျဖစ္သည္။ Sample size ကို တိုးျခင္းအားျဖင့္
Sampling errors မ်ားကို ေလွ်ာ့ခ်ႏိုင္ျပီး homogeneous
population မ်ိဳးတြင္ sampling errors ပမာဏအနည္းငယ္သာရွိသည္။
Sampling errors ကို ေပးထားေသာ sample design and size အတြက္ တိုင္းတာႏိုင္သည္။ Sampling error ၏ အတိုင္းအတာမပာဏကို precision
of the sampling plan ဟုေခၚသည္။ Sample
size ကိုတိုးလိုက္ျခင္းျဖင့္ တိက်မွန္ကန္မွဳကိုလည္းတိုးေစသည္။ သို႕ေသာ္ Sample size ကို တိုးျခင္းတြင္ ကန္႕သတ္ခ်က္မ်ားရွိသည္။ Sample size တိုးလာလွ်င္ data စုေဆာင္းသည့္ ကုန္က်စရိတ္လည္းတိုးလာျပီး
Systematic bias လည္း မ်ားလာသည္။ ထို႕ေၾကာင့္ တိက်မွန္ကန္မွဳ ရရွိေစရန္အတြက္ အထိေရာက္ဆံုးႏွင့္
အေကာင္းဆံုးေသာနည္းလမ္းမွာ ရွိေနေသာ အသံုးစရိတ္အတြက္ ရႏိုင္သည့္ sample size အေပၚမူတည္၍
sampling error အနည္းဆံုးပါသည့္ ပိုမိုေကာင္းမြန္ေသာ sampling design ကိုေရြးခ်ယ္ရန္ျဖစ္သည္။ သို႕ေသာ္ လက္ေတြ႕တြင္ လူမ်ားသည္ တိက်မွဳနည္းေသာ
sampling design ကို ပိုမိုႏွစ္သက္ၾကသည္။ အဘယ့္ေၾကာင့္ဆိုေသာ္
ဤဒီဇိုင္းမ်ိဳးမွာ ခ်မွတ္ရန္လြယ္ကူျပီး Systematic bias
ကိုလည္း ထိန္းခ်ဳပ္ႏိုင္သည္။
အက်ဥ္းခ်ဳပ္အားျဖင့္ Sampling Procedure ကိုေရြးခ်ယ္သည့္အခါ
သုေတသသီသည္ sampling error အနည္းဆံုးႏွင့္ systematic bias ကို ထိန္းခ်ဳပ္ႏိုင္သည့္
ပိုမိုေကာင္းမြန္ေသာ နည္းလမ္းကိုသာေရြးခ်ယ္ရမည္။
ေအးမာေဝ
Unicode ဖြင့်ဖတ်ရန်
Sampling analysis ပြုလုပ်ရာတွင် ကုန်ကျစရိတ်နှစ်မျိုးရှိသည်။ တစ်ခုမှာ data စုဆောင်းစရိတ်နှင့် ကျန်တစ်ခုမှာ
data မှရရှိလာသော မမှန်ကန်သည့် သုံးသပ် ယူဆမှုဖြစ်သည်။ မမှန်ကန်သည့် သုံးသပ် ယူဆမှုဖြစ်စေသော အကြောင်းရင်း
နှစ်မျိုးရှိသည်။ ၄◌င်းတို့မှာ systematic
bias နှင့် sampling errors တို့ဖြစ်ကြသည်။
Systematic bias မှာ sampling procedure ၏
errors များမှ ရရှိလာသော ရလဒ်ဖြစ်သည်။ ထို
errors အား sample size ကိုတိုးယူခြင်းဖြင့် လျှော့နည်းပပျောက်နိုင်မည်မဟုတ်ပေ။ ထို errors များအားရှာဖွေ၍ မှန်ကန်အောင် ပြဒလုပ်ခြင်းသည်သာလျှင်
အကောင်းဆုံးလုပ်ဆောင်ချက်ဖြစ်သည်။
၁။ Inappropriate sampling frame –
Universe ထဲတွင် ဘက်လိုက်သော ကို,်စားပြုမှု / သူ ရှိခဲ့လျှင် systematic bias ကိုရရှိစေသည်။
၂။ Defective measuring device –
Measuring device သည် အမြဲတမ်း error ဖြစ်နေလျှင် systematic bias ကိုရရှိစေသည်။ ဥပမာ
- မေးခွန်းစဥ် သို့မဟုတ် အင်တာဗျူးသူသည် ဘက်လိုက်မှု (biased) ရှိနေခဲ့လျှင် systematic
bias ကို ရရှိမည်ဖြစ်သည်။ ထိုကဲ့သို့ တိုင်းတာမှုများပြုလုပ်နိုင်သည့်
physical measuring device သည် ချွတ်ယွင်းမှု (defective) ရှိနေခဲ့လျှင် ဤ
measuring device ဖြင့် တိုင်းတာမှုပြုကာ စုဆောင်းထားသော data များတွင် systematic
bias များရှိနေပေလိမ့်မည်။
၃။ Non-respondents - အစပထမတွင် နမူနာရွေးရန်ပြုလုပ်ထားသူများအား
၄င်းတို့ထံမှ နမူနာကောက်ယူခြင်း မပြုလုပ်နိုင်ခဲ့လျှင် systematic bias ကိုရရှိစေသည်။ အဘယ့်ကြောင့်ဆိုသော် တစ်ဦးချင်းစီထံမှ ရရှိသော
တုံ့ပြန်ချက်အဖြေသည် ခန့်မှန်းအကဲဖြတ်လိုသည့်အရာအား တိုင်းတာမှုနှင့် မကြာခဏ ဆက်စပ်မှုရှိသည်။
၄။ Indeterminacy principle – Observation
ပြုလုပ်သောအခါ လူပုဂ္ဂိုလ်များသည် တစ်ဦးနှင့်တစ်ဦးမတူကွဲပြားစွာ လုပ်ဆောင်ကြသည်ကိုတွေ့ရသည်။ ဥပမာ - လုပ်ငန်းခွင်တစ်ခုအတွင်းတွင် အလုပ်သမားများသည်
၄င်းတို့အား စောင့်ကြည့်နေသည်ကို သိလျှင် လုပ်ငန်းပြီးစီး ဆောင်ရွက်ရန်အတွက် အချိန်တစ်ခုကို
သတ်မှတ် ဆောင်ရွက်ကြပေလိမ့်မည်။ ထို့အတူ လုပ်ငန်းခွဲတမ်းကိုလည်း ချမှတ်ထားပေလိမ့်မည်။ အကယ်၍ ၄င်းတို့အား စောင့်ကြည့်မှုမရှိခဲ့လျှင် အလုပ်သမားများသည်
အလုပ်ကို သူတို့ လုပ်နိုင်သည်ထက် ပိုမိုနှေးကွေးစွာ လုပ်ဆောင်လာရန် ဦးတည်နေပေလိမ့်မည်။ ထို့ကြောင့် မရေရာ မသေချာသော indeterminacy
principle သည် systematic bias ကိုရရှိစေသည်။
၅။ Natural bias in the reporting of data
– Data များကို မှတ်တမ်းတင်ရာတွင် ဖြေကြားသူ၏ (Natural bias) ဘက်လိုက်မှုများသည်
systematic bias များကိုရရှိစေခြင်း၏ အကြောင်းရင်းဖြစ်သည်။ အစိုးရ အခွန်ဌာနမှ စုဆောင်းသော income data တွင်
downward bias ရှိနိုင်သကဲ့သို့ လူမှု အဖွဲ့အစည်းများမှ စုဆောင်းသော income data တွင်
upward bias ရှိနိုင်သည်ကိုတွေ့ရသည်။ လူများသည်
သူတို့၏ ၀င်ငွေကို အခွန်အတွက်မေးလျှင် အမှန်ထက်လျှော့၍ ဖြေတတ်ကြသော်လည်း လူမှုရေး သို့မဟုတ်
ချမ်းသာကြွယ်၀မှု တို့အတွက် မေးလျှင် အမှန်ထက်တိုး၍ ဖြေတတ်ကြသည်။ ယေဘုယျအားဖြင့် လူတို့၏ စိတ်ပိုင်းဆိုင်ရာ စစ်တမ်းများတွင်
သူတို့၏ ခံစားချက်အမှန်ကို ဖော်ပြရန်ထက် မှန်ကန်သော အဖြေကို ပေးရန် ဦးတည်တတ်သည်။
Sampling errors ဆိုသည်မှာ နမူနာများကို အကဲဖြတ်ခန့်မှန်းရာတွင်
ဖြစ်ပေါ်လာသော random variations ဖြစ်သည်။ Sample size ကို တိုးခြင်းအားဖြင့်
sampling errors များကို လျှော့ချနိုင်ပြီး homogeneous population မျိုးတွင်
sampling errors ပမာဏအနည်းငယ်သာရှိသည်။
Sampling errors ကို ပေးထားသော sample
design and size အတွက် တိုင်းတာနိုင်သည်။
Sampling errors ၏ အတိုင်းအတာပမာဏကို precision of the sampling plan ဟုခေါ်သည်။ Sample size ကိုတိုးလိုက်ခြင်းဖြင့် တိကျမှန်ကန်မှုကို
တိုးစေသည်။ သို့သော် sample size ကို တိုးခြင်းတွင်
ကန့်သတ်ချက်များရှိသည်။ Sample size တိုးလာလျှင်
data စုဆောင်းသည့် ကုန်ကျစရိတ်လည်းတိုးလာပြီး systematic bias လည်းများလာသည်။ ထို့ကြောင့် တိကျမှန်ကန်မှု ရရှိစေရန်အတွက် အထိရောက်ဆုံးနှင့်
အကောင်းဆုံးသောနည်းလမ်းမှာ ရှိနေသော အသုံးစရိတ်အတွက် ရနိုင်သော sample size အပေါ်မူတည်၍
sampling error အနည်းဆုံးပါသည့် ပိုမိုကောင်းမွန်သော sampling design ကိုရွေးချယ်ရန်ဖြစ်သည်။ သို့သော် လက်တွေ့တွင် လူများသည် တိကျမှုနည်းသော
sampling design ကိုနှစ်သက်ကြသည်။ အဘယ့်ကြောင့်ဆိုသော်
ဤဒီဇိုင်းမျိုးမှာ ချမှတ်ရန်လွယ်ကူပြီး systematic bias ကိုလည်းထိန်းချုပ်နိုင်သည်။
အကျဥ်းချုပ်အားဖြင့် sampling procedure ကိုရွေးချယ်သောအခါ
သုတေသီသည် sampling error အနည်းဆုံးနှင့် systematic bias ကို ထိန်းချုပ်နိုင်မည့်
ပိုမိုကောင်းမွန်သောနည်းလမ်းကိုသာ ရွေးချယ်ရမည်။
အေးမာဝေ
Comments
Post a Comment