Research Process Step - 8 - Data Analysis

Unicode

 Data များကို စုဆောင်းပြီးနောက် သုတေသီသည် ယင်း data များကို ခွဲခြမ်းစိတ်ဖြာရန် (analysis လုပ်ရန်) ဖြစ်သည်။

Data analysis ပြုလုပ်ရာတွင် data များကို အမျိုးအစား၊ အဆင့်အတန်းခွဲခြားသတ်မှတ်ခြင်း၊ ကုဒ် (code) များဖြင့် ပြုလုပ်ထားသော raw data များကို အသုံးချခြင်း၊ စာရင်းဇယားပြုလုပ်ခြင်းနှင့် နောက်ဆုံးတွင် စာရင်းအင်းပညာအရ ကောက်ချက်ချခြင်းတို့ကို ပြုလုပ်ရသည်။  

ကိုင်တွယ်ရန် ခက်ခဲသော data များကို နောက်ထပ် analysis ပြုလုပ်နိုင်ရန် ပြုလုပ်ဆောင်ရွက်နိုင်သော အုပ်စုများ၊ ဇယားများထဲသို့ ထည့်သွင်း၍ အကျဉ်းချုံ့ထားရန် လိုအပ်သည်။  ထို့ကြောင့် raw data များကို အမျိုးအစားများခွဲခြားထားသင့်သည်။

ဤအဆင့်တွင် ထို data များကို အလွယ်တကူ စာရင်းပြုစုနိုင်ရန်နှင့် ရေတွက်နိုင်ရန် အမျိုးအစားခွဲခြားထားသော data များကို သင်္ကေတ များပြုလုပ်ကာ ကုဒ် (code) များဖြင့် မှတ်သားထားရမည်။  ကုဒ် (code) များပြုလုပ်ခြင်းအတွက် data များကို ပိုမိုကောင်းမွန်စေရန် ပြုလုပ်သည့် လုပ်ငန်းစဉ်မှာ တည်းဖြတ်ခြင်းဖြစ်သည်။  ကုဒ် (code) ပြုလုပ်ပြီးသော အဆင့်တွင် စာရင်းဇယားများြ့ပုလုပ်ရန် အလိုက်သင့် ဖြစ်လာသည်။

စာရင်းဇယားပြုလုပ်ခြင်းသည် ဇယားကွက်များထဲသို့ အမျိုးအစားခွဲခြားသတ်မှတ်ထားသော data များကို ထည့်သွင်းသည့် နည်းစနစ်ဖြစ်သည်။  များစွာသော data များကို စာရင်းဇယားများ ထဲသို့ ထည့်သွင်းရာတွင် ကွန်ပျူတာကို အသုံးပြုရသည်။

  ကွန်ပျူတာ၏ အကူအညီသည် အချိန်သက်သာစေရုံသာမက ပြောင်းလဲကိန်း (ကိန်းရှင်) များစွာကြောင့် ဖြစ်ပေါ်လာသော ပြဿနာများကို တစ်ပြိုင်နက်တည်း လေ့လာနိုင်ရန် ပြုလုပ်ပေးသည်။ 

 စာရင်းဇယားများပြုလုပ်ပြီးနောက် Data များကို ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ် (data analysis) သည် သတ်မှတ်ထားသော စာရင်းအင်းဆိုင်ရာ ဖော်မြူလာ အမျိုးမျိုးကို အသုံးပြုလျက် ရာခိုင်နှုန်း၊ မြှောက်ဖော်ကိန်း အမျိုးမျိုး စသည်တို့ကို တွက်ချက်မှုပေါ်တွင် ယေဘုယျ အားဖြင့် အခြေခံသည်။  Data analysis လုပ်ငန်းစဉ်တွင် ကောက်ချက်ချမှုများကို ပြုလုပ်နိုင်သည့် data များကို စစ်ဆေးရန် အဆိုကြမ်းနှင့်ဆိုင်သော ဆက်သွယ်ချက်များ၊ ခြားနားမှုများကို ပြုလုပ်ဆောင်ရွက်သင့်သည်။

 ဥပမာ - ပတ်စဉ်လုပ်အားခ နမူနာ နှစ်ခုတွင် မတူညီသော ပျှမ်းမျှ တန်ဖိုးနှစ်ခု ပေးလျက် နမူနာ တစ်ခုစီကို မြို့နယ်တစ်မြို့နယ်တွင်းရှိ မတူညီသော စက်ရုံ တစ်ခုစီမှ ကောက်ယူလိုက်လျှင် ကျွန်ုပ်တို့၏ ပြဿနာမှာ ပျှမ်းမျှတန်ဖိုးနှစ်ခုသည် သိသာထင်ရှားစွာခြားနားမှုဖြစ်သလော သို့မဟုတ် ခြားနားမှု(ကွဲပြားမှု) သည် အကြောင်းအရာ တစ်ခုမျှသာဖြစ်သလော ဟူ၍ဖြစ်နိုင်သည်။  စာရင်းအင်းပညာအရ စစ်ဆေးမှုပြုလျက် ဤခြားနားမှု (ကွဲပြားမှု) သည် အမှန်တကယ်လော၊ သို့မဟုတ် ကျပန်းအတက်အကျပြောင်းလဲမှု၏ ရလဒ်လော ဟူ၍ သိနိုင်သည်။  အကယ်၍ ခြားနားမှုအမှန်တကယ်ဖြစ်ခဲ့လျှင် နမူနာနှစ်ခုမှာ မတူညီသော universe မှ လာသည်ဟုပြောနိုင်ပြီး ခြားနားမှုသည် အကြောင်းတစ်ခုကြောင့်ဖြစ်ခဲ့လျှင် နမူနာနှစ်ခုမှာ universe တစ်ခုတည်းမှ ကောက်ယူထားသည်ဟုပြောနိုင်သည်။

ထိုနည်းတူစွာ ကွဲပြားမှု (မတူညီမှူ)ကို ဆန်းစစ်ဝေဖန်ခြင်း (variance of analysis) နည်းပညာသည် ကျွန်ုပ်တို့ကို မျိုးစေ့ သုံးမျိုး သို့မဟုတ် သုံးမျိုးထက်အပို စိုက်ပျိုးထားသော လယ်ကွက်အချို့သည် သိသာထင်ရှားစွာ ကွဲပြားသော ရလဒ်များကို ပေး/ မပေး ခွဲခြမ်းစိတ်ဖြာရာတွင် ကူညီနိုင်သည်။

အကျဉ်းအားဖြင့် သုတေသီသည် စာရင်းအင်းပညာဆိုင်ရာ တိုင်းတာမှုအမျိုးမျိုးဖြင့် စုဆောင်း ကောက်ယူထားသော data များကို ခွဲခြမ်းစိတ်ဖြာမှု (analysis) ပြုလုပ်နိုင်သည်။

Zawgyi
 Data မ်ားကို စုေဆာင္းျပီးေနာက္ သုေတသီသည္ ယင္း data မ်ားကို ခြဲျခမ္းစိတ္ျဖာရန္ (analysis လုပ္ရန္) ျဖစ္သည္။

 Data analysis ျပဳလုပ္ရာတြင္ data မ်ားကို အမ်ိဳးအစား၊ အဆင့္အတန္းခြဲျခားသတ္မွတ္ျခင္း၊ ကုဒ္ (code) မ်ားျဖင့္ ျပဳလုပ္ထားေသာ raw data မ်ားကို အသံုးခ်ျခင္း၊ စာရင္းဇယားျပဳလုပ္ျခင္းႏွင့္ ေနာက္ဆံုးတြင္ စာရင္းအင္းပညာအရ ေကာက္ခ်က္ခ်ျခင္းတို႕ကို ျပဳလုပ္ရသည္။  

ကိုင္တြယ္ရန္ ခက္ခဲေသာ data မ်ားကို ေနာက္ထပ္ analysis ျပဳလုပ္ႏိုင္ရန္ ျပဳလုပ္ေဆာင္ရြက္ႏိုင္ေသာ အုပ္စုမ်ား၊ ဇယားမ်ားထဲသို႕ ထည့္သြင္း၍ အက်ဥ္းခ်ဳံဳ႕ထားရန္ လိုအပ္သည္။  ထို႕ေၾကာင့္ raw data မ်ားကို အမ်ိဳးအစားမ်ားခြဲျခားထားသင့္သည္။

ဤအဆင့္တြင္ ထို data မ်ားကို အလြယ္တကူ စာရင္းျပဳစုႏိုင္ရန္ႏွင့္ ေရတြက္ႏိုင္ရန္ အမ်ိဳးအစားခြဲျခားထားေသာ data မ်ားကို သေကၤတ မ်ားျပဳလုပ္ကာ ကုဒ္ (code) မ်ားျဖင့္ မွတ္သားထားရမည္။  ကုဒ္ (code) မ်ားျပဳလုပ္ျခင္းအတြက္ data မ်ားကို ပိုမိုေကာင္းမြန္ေစရန္ ျပဳလုပ္သည့္ လုပ္ငန္းစဥ္မွာ တည္းျဖတ္ျခင္းျဖစ္သည္။  ကုဒ္ (code) ျပဳလုပ္ျပီးေသာ အဆင့္တြင္ စာရင္းဇယားမ်ားျ့ပဳလုပ္ရန္ အလိုက္သင့္ ျဖစ္လာသည္။

စာရင္းဇယားျပဳလုပ္ျခင္းသည္ ဇယားကြက္မ်ားထဲသို႕ အမ်ိဳးအစားခြဲျခားသတ္မွတ္ထားေသာ data မ်ားကို ထည့္သြင္းသည့္ နည္းစနစ္ျဖစ္သည္။  မ်ားစြာေသာ data မ်ားကို စာရင္းဇယားမ်ား ထဲသို႕ ထည့္သြင္းရာတြင္ ကြန္ပ်ဴတာကို အသံုးျပဳရသည္။

   ကြန္ပ်ဴတာ၏ အကူအညီသည္ အခ်ိန္သက္သာေစရံုသာမက ေျပာင္းလဲကိန္း (ကိန္းရွင္) မ်ားစြာေၾကာင့္ ျဖစ္ေပၚလာေသာ ျပႆနာမ်ားကို တစ္ျပိုင္နက္တည္း ေလ့လာႏိုင္ရန္ ျပဳလုပ္ေပးသည္။ 

စာရင္းဇယားမ်ားျပဳလုပ္ျပီးေနာက္ Data မ်ားကို ခြဲျခမ္းစိတ္ျဖာမွဳလုပ္ငန္းစဥ္ (data analysis) သည္ သတ္မွတ္ထားေသာ စာရင္းအင္းဆိုင္ရာ ေဖာ္ျမဴလာ အမ်ိဳးမ်ိဳးကို အသံုးျပဳလ်က္ ရာခိုင္ႏွုန္း၊ ေျမွာက္ေဖာ္ကိန္း အမ်ိဳးမ်ိဳး စသည္တို႕ကို တြက္ခ်က္မွဳေပၚတြင္ ေယဘုယ် အားျဖင့္ အေျခခံသည္။  Data analysis လုပ္ငန္းစဥ္တြင္ ေကာက္ခ်က္ခ်မွုမ်ားကို ျပဳလုပ္ႏိုင္သည့္ data မ်ားကို စစ္ေဆးရန္ အဆိုၾကမ္းႏွင့္ဆိုင္ေသာ ဆက္သြယ္ခ်က္မ်ား၊ ျခားနားမွဳမ်ားကို ျပဳလုပ္ေဆာင္ရြက္သင့္သည္။

ဥပမာ - ပတ္စဥ္လုပ္အားခ နမူနာ ႏွစ္ခုတြင္ မတူညီေသာ ပွ်မ္းမွ် တန္ဖိုးႏွစ္ခု ေပးလ်က္ နမူနာ တစ္ခုစီကို ျမိဳ႕နယ္တစ္ျမိဳ႕နယ္တြင္းရွိ မတူညီေသာ စက္ရံု တစ္ခုစီမွ ေကာက္ယူလိုက္လွ်င္ ကၽြႏ္ုပ္တို႕၏ ျပႆနာမွာ ပွ်မ္းမွ်တန္ဖိုးႏွစ္ခုသည္ သိသာထင္ရွားစြာျခားနားမွဳျဖစ္သေလာ သို႕မဟုတ္ ျခားနားမွဳ(ကြဲျပားမွဳ) သည္ အေၾကာင္းအရာ တစ္ခုမွ်သာျဖစ္သေလာ ဟူ၍ျဖစ္ႏိုင္သည္။  စာရင္းအင္းပညာအရ စစ္ေဆးမွဳျပဳလ်က္ ဤျခားနားမွဳ (ကြဲျပားမွဳ) သည္ အမွန္တကယ္ေလာ၊ သို႕မဟုတ္ က်ပန္းအတက္အက်ေျပာင္းလဲမွဳ၏ ရလဒ္ေလာ ဟူ၍ သိႏိုင္သည္။  အကယ္၍ ျခားနားမွဳအမွန္တကယ္ျဖစ္ခဲ့လွ်င္ နမူနာႏွစ္ခုမွာ မတူညီေသာ universe မွ လာသည္ဟုေျပာႏိုင္ျပီး ျခားနားမွဳသည္ အေၾကာင္းတစ္ခုေၾကာင့္ျဖစ္ခဲ့လွ်င္ နမူနာႏွစ္ခုမွာ universe တစ္ခုတည္းမွ ေကာက္ယူထားသည္ဟုေျပာႏိုင္သည္။

ထိုနည္းတူစြာ ကြဲျပားမွဳ (မတူညီမွဴ)ကို ဆန္းစစ္ေဝဖန္ျခင္း (variance of analysis) နည္းပညာသည္ ကၽြႏ္ုပ္တို႕ကို မ်ိဳးေစ့ သံုးမ်ိဳး သို႕မဟုတ္ သံုးမ်ိဳးထက္အပို စိုက္ပ်ိဳးထားေသာ လယ္ကြက္အခ်ိဳ႕သည္ သိသာထင္ရွားစြာ ကြဲျပားေသာ ရလဒ္မ်ားကို ေပး/ မေပး ခြဲျခမ္းစိတ္ျဖာရာတြင္ ကူညီႏိုင္သည္။

အက်ဥ္းအားျဖင့္ သုေတသီသည္ စာရင္းအင္းပညာဆိုင္ရာ တိုင္းတာမွဳအမ်ိဳးမ်ိဳးျဖင့္ စုေဆာင္း ေကာက္ယူထားေသာ data မ်ားကို ခြဲျခမ္းစိတ္ျဖာမွဳ (analysis) ျပဳလုပ္ႏိုင္သည္။