Unicode
ဥပမာ - စမတ်ဖုန်းတို့၏ အမျိုးအမည်များ
1. Samsung 2. Nokia 3. Hauwei 4. Oppo 5. Vivo 6. Apple
ဥပမာ - Customer များ၏ တစ်နှစ်အတွင်း ရုပ်ရှင်ရုံသို့ လာရောက်၍ ရုပ်ရှင်ကြည့်သည့် အနေအထား
၁။ မကြာခဏ ၂။ တစ်ခါတစ်ရံ ၃။ ကြုံတောင့် ကြုံခဲ ၄။ ဘယ့်တော့မှ မရောက်လာ။
ဤတွင် ordinal data သည် nominal data ဖြစ်သော်လည်း nominal data သည် ordinal data မဖြစ်ပါ။ Ordinal data ကို Social science, marketing and human resource research များတွင် အသုံးပြုကြသည်။
ဥပမာ - Likert scale ဖြင့် code လုပ်နိုင်သော data များ
(+၂ မှ -၂ ထိ Code)
+၂ = များစွာအသုံးဝင်သည်။
+၁ = အနည်းငယ် အသုံးဝင်သည်။
၀ = သက်ရောက်မှု မရှိပါ။
-၁ = အနည်းငယ် ထိခိုက်နိုင်သည်။
-၂ = များစွာ ထိခိုက်နိုင်သည်။
ဤနေရာတွင် “ဝ” ဟူသော code သည် သုည တန်ဖိုး မဟုတ်သဖြင့် ဖော်ပြထားသော data များကို နောက်တစ်မျိုး ၅ မှ ၁ အထိ code များ ပြုလုပ်နိုင်သည်။ ဤတွင် “ဝ” ဟူသော code မှာ “၃” ဟူသော code ဖြစ်လာသည်။
၅ = များစွာအသုံးဝင်သည်။
၄ = အနည်းငယ် အသုံးဝင်သည်။
၃ = သက်ရောက်မှု မရှိပါ။
၂ = အနည်းငယ် ထိခိုက်နိုင်သည်။
၁ = များစွာ ထိခိုက်နိုင်သည်။
Zawgyi
ဥပမာ - စမတ္ဖုန္းတို႕၏ အမ်ိဳးအမည္မ်ား
1. Samsung 2. Nokia 3. Hauwei 4. Oppo 5. Vivo 6. Apple
ဥပမာ - Customer မ်ား၏ တစ္ႏွစ္အတြင္း ရုပ္ရွင္ရံုသို႕ လာေရာက္၍ ရုပ္ရွင္ၾကည့္သည့္ အေနအထား
၁။ မၾကာခဏ ၂။ တစ္ခါတစ္ရံ ၃။ ၾကံဳေတာင့္ ၾကံဳခဲ ၄။ ဘယ့္ေတာ့မွ မေရာက္လာ။
ဤတြင္ ordinal data သည္ nominal data ျဖစ္ေသာ္လည္း nominal data သည္ ordinal data မျဖစ္ပါ။ Ordinal data ကို Social science, marketing and human resource research မ်ားတြင္ အသံုးျပဳၾကသည္။
ဥပမာ - Likert scale ျဖင့္ code လုပ္ႏိုင္ေသာ data မ်ား
(+၂ မွ -၂ ထိ Code)
+၂ = မ်ားစြာအသံုးဝင္သည္။
+၁ = အနည္းငယ္ အသံုးဝင္သည္။
၀ = သက္ေရာက္မွဳ မရွိပါ။
-၁ = အနည္းငယ္ ထိခိုက္ႏိုင္သည္။
-၂ = မ်ားစြာ ထိခိုက္ႏိုင္သည္။
ဤေနရာတြင္ “၀” ဟူေသာ code သည္ သုည တန္ဖိုး မဟုတ္သျဖင့္ ေဖာ္ျပထားေသာ data မ်ားကို ေနာက္တစ္မ်ိဳး ၅ မွ ၁ အထိ code မ်ား ျပဳလုပ္ႏိုင္သည္။ ဤတြင္ “၀” ဟူေသာ code မွာ “၃” ဟူေသာ code ျဖစ္လာသည္။
၅ = မ်ားစြာအသံုးဝင္သည္။
၄ = အနည္းငယ္ အသံုးဝင္သည္။
၃ = သက္ေရာက္မွဳ မရွိပါ။
၂ = အနည္းငယ္ ထိခိုက္ႏိုင္သည္။
၁ = မ်ားစြာ ထိခိုက္ႏိုင္သည္။
၉။ Data များ၏ အတိုင်းအတာ အဆင့်အတန်းများ (Level of Measurement)
စာရင်းအင်းပညာအရ Data များကို တိုင်းတာနိုင်သည့် အဆင့် လေးဆင့်ရှိပါသည်။ ၎င်းတို့မှာ nominal, ordinal, interval နှင့် ratio တို့ဖြစ်ကြသည်။ သုတေသီ တစ်ယောက်အနေနှင့် မိမိ data သည် nominal လား၊ ordinal လား၊ interval လား၊ ratio လား ဆိုသည်ကို ခွဲခြား သိရမည်။ Data တို့၏ အတိုင်းအတာ အဆင့်များမှာ အောက်ပါအတိုင်းဖြစ်ကြသည်။၁။ Nominal Measurement
Nominal Data သည် data အမျိုးအစားခွဲခြားရန် အလွယ်ဆုံးနှင့် အတိုင်းအတာ အဆင့်အတန်း မှာလည်းအနိမ့်ဆုံးဖြစ်သည်။ Nominal Data သည် အမျိုးအစားခွဲခြားသတ်မှတ်နိုင်သော data များဖြစ်သည်။ဥပမာ - စမတ်ဖုန်းတို့၏ အမျိုးအမည်များ
1. Samsung 2. Nokia 3. Hauwei 4. Oppo 5. Vivo 6. Apple
၂။ Ordinal Measurement
Ordinal Data သည် အဆင့်အတန်းအားဖြင့် ခွဲခြားသတ်မှတ်ထားသော data ဖြစ်သည်။ Rank တစ်ခုခုဖြင့် ဖော်ပြထားသော data မျိုးဖြစ်သည်။ဥပမာ - Customer များ၏ တစ်နှစ်အတွင်း ရုပ်ရှင်ရုံသို့ လာရောက်၍ ရုပ်ရှင်ကြည့်သည့် အနေအထား
၁။ မကြာခဏ ၂။ တစ်ခါတစ်ရံ ၃။ ကြုံတောင့် ကြုံခဲ ၄။ ဘယ့်တော့မှ မရောက်လာ။
ဤတွင် ordinal data သည် nominal data ဖြစ်သော်လည်း nominal data သည် ordinal data မဖြစ်ပါ။ Ordinal data ကို Social science, marketing and human resource research များတွင် အသုံးပြုကြသည်။
၃။ Interval Measurement
Interval data သည် rank တစ်ခု ရှိရုံသာမက scale points များကြားတွင် interval တစ်ခုအနေဖြင့် အဓိပ္ပါယ် သတ်မှတ်နိုင်သည်။ ဥပမာ - အပူချိန် ကို တိုင်းတာသော Celsius or Fahrenheit scales များ (60˚F နှင့် 70˚F ကြား) ဖြစ်သည်။ အရေအတွက်များ/ နံပါတ်များကြားရှိ interval သည် အကွာအဝေးတစ်ခုဖြစ်သောကြောင့် mathematical operation ပြုလုပ်နိုင်သည်။ Interval data သည် ကြားပိုင်းအတိုင်းအတာတစ်ခုဖြစ်ပြီး zero point ကို ကြိုက်နှစ်သက်သော နေရာတစ်ခုတွင် သတ်မှတ်နိုင်သောကြောင့် zero တန်ဖိုး မရှိပါ။ဥပမာ - Likert scale ဖြင့် code လုပ်နိုင်သော data များ
(+၂ မှ -၂ ထိ Code)
+၂ = များစွာအသုံးဝင်သည်။
+၁ = အနည်းငယ် အသုံးဝင်သည်။
၀ = သက်ရောက်မှု မရှိပါ။
-၁ = အနည်းငယ် ထိခိုက်နိုင်သည်။
-၂ = များစွာ ထိခိုက်နိုင်သည်။
ဤနေရာတွင် “ဝ” ဟူသော code သည် သုည တန်ဖိုး မဟုတ်သဖြင့် ဖော်ပြထားသော data များကို နောက်တစ်မျိုး ၅ မှ ၁ အထိ code များ ပြုလုပ်နိုင်သည်။ ဤတွင် “ဝ” ဟူသော code မှာ “၃” ဟူသော code ဖြစ်လာသည်။
၅ = များစွာအသုံးဝင်သည်။
၄ = အနည်းငယ် အသုံးဝင်သည်။
၃ = သက်ရောက်မှု မရှိပါ။
၂ = အနည်းငယ် ထိခိုက်နိုင်သည်။
၁ = များစွာ ထိခိုက်နိုင်သည်။
၄။ Ratio Measurement
Ratio Measurement သည် တိုင်းတာမှု အဆင့် အမြင့် ဆုံးဖြစ်သည်။ Ratio data များတွင် တခြား data သ့ုးမျိုး၏ ဂုဏ်သတ္တိများပါဝင်နေသည်။ Ratio data တွင် သုည မှာ အတိုင်းအတာတစ်ခု၏ တန်ဖိုးတစ်ခုဖြစ်သည်။ တိုင်းတာခံရသော အရာတစ်ခု၏ ပမာဏမရှိမှုကို ကိုယ်စားပြုသည်။ သုညသည် တန်ဖိုးတစ်ခုဖြစ်သောကြောင့် ratio data မှာ အဓိပ္ပါယ်ရှိသည်။ ဥပမာ - ငွေ ၂ သိန်း သည် ငွေ ၁ သိန်း၏ နှစ်ဆဖြစ်သည်။ Balance sheet data, income measurement data, financial ratios, physical counts, scientific measurements, and engineering measurement များမှာ ratio data များဖြစ်သည်။Zawgyi
၉။ Data မ်ား၏ အတိုင္းအတာ အဆင့္အတန္းမ်ား (Level of Measurement)
စာရင္းအင္းပညာအရ Data မ်ားကို တိုင္းတာႏိုင္သည့္ အဆင့္ ေလးဆင့္ရွိပါသည္။ ၄င္းတို႕မွာ nominal, ordinal, interval ႏွင့္ ratio တို႕ျဖစ္ၾကသည္။ သုေတသီ တစ္ေယာက္အေနႏွင့္ မိမိ data သည္ nominal လား၊ ordinal လား၊ interval လား၊ ratio လား ဆိုသည္ကို ခြဲျခား သိရမည္။ Data တို႕၏ အတိုင္းအတာ အဆင့္မ်ားမွာ ေအာက္ပါအတိုင္းျဖစ္ၾကသည္။၁။ Nominal Measurement
Nominal Data သည္ data အမ်ိဳးအစားခြဲျခားရန္ အလြယ္ဆံုးႏွင့္ အတိုင္းအတာ အဆင့္အတန္း မွာလည္းအနိမ့္ဆံုးျဖစ္သည္။ Nominal Data သည္ အမ်ိဳးအစားခြဲျခားသတ္မွတ္ႏိုင္ေသာ data မ်ားျဖစ္သည္။ဥပမာ - စမတ္ဖုန္းတို႕၏ အမ်ိဳးအမည္မ်ား
1. Samsung 2. Nokia 3. Hauwei 4. Oppo 5. Vivo 6. Apple
၂။ Ordinal Measurement
Ordinal Data သည္ အဆင့္အတန္းအားျဖင့္ ခြဲျခားသတ္မွတ္ထားေသာ data ျဖစ္သည္။ Rank တစ္ခုခုျဖင့္ ေဖာ္ျပထားေသာ data မ်ိဳးျဖစ္သည္။ဥပမာ - Customer မ်ား၏ တစ္ႏွစ္အတြင္း ရုပ္ရွင္ရံုသို႕ လာေရာက္၍ ရုပ္ရွင္ၾကည့္သည့္ အေနအထား
၁။ မၾကာခဏ ၂။ တစ္ခါတစ္ရံ ၃။ ၾကံဳေတာင့္ ၾကံဳခဲ ၄။ ဘယ့္ေတာ့မွ မေရာက္လာ။
ဤတြင္ ordinal data သည္ nominal data ျဖစ္ေသာ္လည္း nominal data သည္ ordinal data မျဖစ္ပါ။ Ordinal data ကို Social science, marketing and human resource research မ်ားတြင္ အသံုးျပဳၾကသည္။
၃။ Interval Measurement
Interval data သည္ rank တစ္ခု ရွိရံုသာမက scale points မ်ားၾကားတြင္ interval တစ္ခုအေနျဖင့္ အဓိပၸါယ္ သတ္မွတ္ႏိုင္သည္။ ဥပမာ - အပူခ်ိန္ ကို တိုင္းတာေသာ Celsius or Fahrenheit scales မ်ား (60˚F ႏွင့္ 70˚F ၾကား) ျဖစ္သည္။ အေရအတြက္မ်ား/ နံပါတ္မ်ားၾကားရွိ interval သည္ အကြာအေဝးတစ္ခုျဖစ္ေသာေၾကာင့္ mathematical operation ျပဳလုပ္ႏိုင္သည္။ Interval data သည္ ၾကားပိုင္းအတိုင္းအတာတစ္ခုျဖစ္ျပီး zero point ကို ၾကိဳက္ႏွစ္သက္ေသာ ေနရာတစ္ခုတြင္ သတ္မွတ္ႏိုင္ေသာေၾကာင့္ zero တန္ဖိုး မရွိပါ။ဥပမာ - Likert scale ျဖင့္ code လုပ္ႏိုင္ေသာ data မ်ား
(+၂ မွ -၂ ထိ Code)
+၂ = မ်ားစြာအသံုးဝင္သည္။
+၁ = အနည္းငယ္ အသံုးဝင္သည္။
၀ = သက္ေရာက္မွဳ မရွိပါ။
-၁ = အနည္းငယ္ ထိခိုက္ႏိုင္သည္။
-၂ = မ်ားစြာ ထိခိုက္ႏိုင္သည္။
ဤေနရာတြင္ “၀” ဟူေသာ code သည္ သုည တန္ဖိုး မဟုတ္သျဖင့္ ေဖာ္ျပထားေသာ data မ်ားကို ေနာက္တစ္မ်ိဳး ၅ မွ ၁ အထိ code မ်ား ျပဳလုပ္ႏိုင္သည္။ ဤတြင္ “၀” ဟူေသာ code မွာ “၃” ဟူေသာ code ျဖစ္လာသည္။
၅ = မ်ားစြာအသံုးဝင္သည္။
၄ = အနည္းငယ္ အသံုးဝင္သည္။
၃ = သက္ေရာက္မွဳ မရွိပါ။
၂ = အနည္းငယ္ ထိခိုက္ႏိုင္သည္။
၁ = မ်ားစြာ ထိခိုက္ႏိုင္သည္။
Comments
Post a Comment