সার্ভে ওয়েটিং ক্যালকুলেটর

সার্ভে ক্যালিব্রেশনের পরিচিতি

সার্ভে বা জরিপ পরিচালনার পর সংগৃহীত ডেটা অনেক সময়ই প্রকৃত জনসংখ্যার কাঠামোর সাথে হুবহু মেলে না। উত্তরদাতাদের এই অসম প্রতিনিধিত্ব দূর করতে এবং জরিপের ফলাফলকে জনসংখ্যার প্রকৃত কাঠামোর সাথে সামঞ্জস্যপূর্ণ করতে সার্ভে ক্যালিব্রেশন বা ওয়েটিং পদ্ধতি ব্যবহার করা হয়। এই প্রক্রিয়ায় প্রতিটি উত্তরদাতার জন্য একটি নির্দিষ্ট ওয়েট বা ওজন নির্ধারণ করা হয়, যা তাদের প্রতিনিধিত্বের মাত্রা নির্দেশ করে।

সার্ভে ওয়েটিং ক্যালকুলেটর একটি নিখরচায় অনলাইন টুল যা রেকিং (Raking বা Iterative Proportional Fitting) অ্যালগরিদম ব্যবহার করে উত্তরদাতার ডেটাকে পরিচিত জনসংখ্যার মার্জিনের সাথে ক্যালিব্রেট করতে সাহায্য করে। ব্যবহারকারীরা তাদের কাঁচা উত্তরদাতার ডেটা এবং জনসংখ্যার টার্গেট শতাংশ পেস্ট করার সাথে সাথে টুলটি স্বয়ংক্রিয়ভাবে প্রতিটি উত্তরদাতার ওয়েট সামঞ্জস্য করে, যতক্ষণ না স্যাম্পলের মার্জিনাল ডিস্ট্রিবিউশন টার্গেটের সাথে মিলে যায়।

রেকিং বনাম পোস্ট-স্ট্র্যাটিফিকেশন

সার্ভে ডেটা সামঞ্জস্য করার ক্ষেত্রে রেকিং এবং পোস্ট-স্ট্র্যাটিফিকেশন (Post-Stratification) দুটি বহুল ব্যবহৃত পদ্ধতি। তবে এদের কাজের পদ্ধতিতে মৌলিক পার্থক্য রয়েছে:

• পোস্ট-স্ট্র্যাটিফিকেশন: এই পদ্ধতিতে সমস্ত ক্যালিব্রেশন ভেরিয়েবলের প্রতিটি সম্ভাব্য কম্বিনেশন বা সেলের (যেমন: নির্দিষ্ট বয়স গ্রুপ × নির্দিষ্ট লিঙ্গ × নির্দিষ্ট অঞ্চল) জন্য আলাদা টার্গেট প্রয়োজন হয়। যদি ভেরিয়েবলের সংখ্যা বেশি হয়, তবে সেলের সংখ্যা দ্রুত বৃদ্ধি পায় এবং অনেক সেলে কোনো উত্তরদাতা না থাকার (Zero-Cell) ঝুঁকি তৈরি হয়।
• রেকিং (Iterative Proportional Fitting): রেকিং পদ্ধতিতে প্রতিটি ভেরিয়েবলের জন্য আলাদাভাবে সামগ্রিক মার্জিনাল ডিস্ট্রিবিউশন বা প্রান্তিক বিন্যাস (যেমন: সামগ্রিক বয়স বিন্যাস এবং সামগ্রিক লিঙ্গ বিন্যাস) ব্যবহার করা হয়। অ্যালগরিদমটি একবারে একটি ভেরিয়েবলের মার্জিন সামঞ্জস্য করে এবং চক্রাকারে আবর্তিত হতে থাকে যতক্ষণ না সমস্ত মার্জিন একসাথে মিলে যায়। এর ফলে ক্রস-ট্যাবুলার সেলের তথ্যের প্রয়োজন হয় না।

যদি কেবল একটি ক্যাটাগরিক্যাল ভেরিয়েবল সরবরাহ করা হয়, তবে ক্যালকুলেটরটি একটি একক চক্রে তার ক্যালিব্রেশন সম্পন্ন করে। এই ক্ষেত্রে প্রতিটি ক্যাটাগরির জন্য একটি সাধারণ টার্গেট-শেয়ার ÷ বর্তমান-শেয়ার অ্যাডজাস্টমেন্ট প্রয়োগ করা হয়।

বেস ওয়েট এবং এর ব্যবহার

ক্যালিব্রেশন প্রক্রিয়া শুরু করার আগে প্রতিটি উত্তরদাতার একটি প্রারম্ভিক ওয়েট থাকতে পারে, যাকে বেস ওয়েট (Base Weight) বলা হয়।

• উৎস: বেস ওয়েট সাধারণত উত্তরদাতার নির্বাচনের সম্ভাবনার বিপরীত মান (Inverse Probability of Selection) এবং পূর্ববর্তী নন-রেসপন্স অ্যাডজাস্টমেন্টের ওপর ভিত্তি করে নির্ধারিত হয়।
• ডিফল্ট মান: যদি কোনো বেস-ওয়েট কলাম নির্দিষ্ট করা না থাকে, তবে প্রতিটি উত্তরদাতার প্রারম্ভিক ওয়েট ডিফল্টভাবে ১ ধরা হয়।
• সীমাবদ্ধতা: বেস-ওয়েট কলামের মানগুলো অবশ্যই সসীম এবং ০-এর চেয়ে বড় হতে হবে।

চূড়ান্ত ওয়েট গণনার পর, ক্যালকুলেটরটি সমস্ত চূড়ান্ত ওয়েটকে গড় ১-এ নরমালাইজ করে, যার ফলে চূড়ান্ত ওয়েটের সমষ্টি মোট উত্তরদাতার সংখ্যার সমান হয় (Σ w = n)।

Kish ওয়েট ইফেক্ট এবং ডিজাইন ইফেক্ট

ওয়েটিং প্রক্রিয়ার মাধ্যমে ডেটার ডেমোগ্রাফিক বায়াস বা পক্ষপাতিত্ব কমানো সম্ভব হলেও, এটি উত্তরদাতাদের ওয়েটের মধ্যে অসমতা তৈরি করে। এই অসমতা জরিপের প্রিসিশন বা নির্ভুলতা কমিয়ে দেয়। এই প্রিসিশন লস পরিমাপের জন্য Kish ওয়েট ইফেক্ট (Kish Weight Effect) ব্যবহার করা হয়।

ক্যালকুলেটরটি নিম্নলিখিত সূত্রের সাহায্যে এই মানগুলো হিসাব করে:

• Kish weight effect = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›
• Effective sample size = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›

এখানে Effective sample size বা ইফেক্টিভ স্যাম্পল সাইজ নির্দেশ করে যে, ওয়েটিংয়ের পর আপনার স্যাম্পলটি কতটি সমান ওয়েটযুক্ত উত্তরদাতার সমান কার্যকারিতা প্রদান করছে। তবে মনে রাখা প্রয়োজন যে, এই Kish ডায়াগনস্টিক কেবল অসমান ওয়েট প্রতিফলিত করে; এটি ক্লাস্টারিং, স্ট্র্যাটিফিকেশন বা সম্পূর্ণ সার্ভে ভ্যারিয়েন্স প্রাক্কলন অন্তর্ভুক্ত করে না।

ডেটা প্রস্তুতি এবং ইনপুট সীমা

ক্যালকুলেটরটি সঠিকভাবে ব্যবহারের জন্য ইনপুট ডেটা নির্দিষ্ট বিন্যাসে প্রস্তুত করতে হবে:

উত্তরদাতার ডেটা (Respondent data)

• ফরম্যাট: ডেটাতে অবশ্যই একটি হেডার সারি এবং প্রতি সারিতে একজন উত্তরদাতার তথ্য থাকতে হবে। কলাম বিভাজক হিসেবে ট্যাব, সেমিকোলন বা CSV কমা সমর্থিত। যেসব লোকালের দশমিক চিহ্ন ডট নয়, সেখানে ট্যাব বা সেমিকোলন ব্যবহার করা উচিত যাতে দশমিক চিহ্নটি সেলের ভেতরেই সীমাবদ্ধ থাকে।
• সীমা: সর্বোচ্চ ২০,০০০টি উত্তরদাতার সারি এবং মোট ২,০০০,০০০ ক্যারেক্টার পেস্ট করা যাবে। টেবিলে ফাঁকা হেডার ছাড়া অন্তত দুটি নামযুক্ত কলাম থাকতে হবে এবং প্রতিটি কলামের হেডার অনন্য হতে হবে।

জনসংখ্যা মার্জিন (Population margins)

• ফরম্যাট: এই টেবিলে ঠিক তিনটি কলাম থাকতে হবে: ভেরিয়েবল, ক্যাটাগরি এবং টার্গেট শতাংশ।
• সীমা: সর্বোচ্চ ৫০০টি টার্গেট সারি, ৬টি ক্যালিব্রেশন ভেরিয়েবল এবং প্রতি ভেরিয়েবলে ১০০টি ক্যাটাগরি ব্যবহার করা যাবে। প্রতিটি ভেরিয়েবলের টার্গেট শতাংশের সমষ্টি অবশ্যই ঠিক ১০০% হতে হবে এবং প্রতিটি মান ০% থেকে ১০০%-এর মধ্যে হতে হবে।

ত্রুটি এবং ডায়াগনস্টিক বার্তা

ইনপুট ডেটা বা অ্যালগরিদমের প্রক্রিয়াকরণে কোনো সমস্যা হলে ক্যালকুলেটরটি নির্দিষ্ট ত্রুটি বার্তা প্রদর্শন করে:

• Empty Data: "একটি হেডার সারি এবং অন্তত একটি উত্তরদাতার সারি অন্তর্ভুক্ত করুন।"
• Data Header: "উত্তরদাতার টেবিলে ফাঁকা হেডার ছাড়া অন্তত দুটি নামযুক্ত কলাম থাকতে হবে।"
• Duplicate Header: "প্রতিটি উত্তরদাতার ডেটা কলামের একটি অনন্য হেডার থাকতে হবে।"
• Row Width Mismatch: "‹line› নম্বর সারিতে ‹actual›টি সেল রয়েছে; হেডারে রয়েছে ‹expected›টি।"
• Input Too Large: "পেস্ট করা যেকোনো টেবিলে ২,০০০,০০০-এর বেশি ক্যারেক্টার ব্যবহার করবেন না।"
• Too Many Rows: "অনূর্ধ্ব ‹max›টি উত্তরদাতার সারি ব্যবহার করুন।"
• Missing Column: "ডেটাতে “‹column›” নামের কোনো কলাম নেই।"
• Weight Parsing: "“‹token›” কোনো সসীম বেস ওয়েট নয় (‹line› নম্বর সারি)।"
• Non-Positive Weight: "‹line› নম্বর সারির বেস ওয়েট অবশ্যই ০-এর চেয়ে বড় হতে হবে।"
• Outcome Parsing: "“‹token›” কোনো সসীম আউটকাম মান নয় (‹line› নম্বর সারি)।"
• Target Row Width: "টার্গেট সারি ‹line›-এ ঠিক তিনটি সেল থাকতে হবে: ভেরিয়েবল, ক্যাটাগরি এবং শতাংশ।"
• Target Parsing: "“‹token›” কোনো টার্গেট শতাংশ নয় (টার্গেট সারি ‹line›)।"
• Target Out of Range: "টার্গেট সারি ‹line› অবশ্যই ০% থেকে ১০০%-এর মধ্যে (উভয়সহ) হতে হবে।"
• Target Total Mismatch: "“‹variable›”-এর টার্গেটগুলোর সমষ্টি ‹total›%; এগুলো অবশ্যই ঠিক ১০০% হতে হবে।"
• Duplicate Target: "টার্গেট টেবিলে “‹variable› / ‹category›” একাধিকবার রয়েছে।"
• Too Many Margins: "অনূর্ধ্ব ‹max›টি ক্যালিব্রেশন ভেরিয়েবল ব্যবহার করুন।"
• Too Many Levels: "“‹variable›”-এ ‹max›-টির বেশি টার্গেট ক্যাটাগরি রয়েছে।"
• Too Many Targets: "অনূর্ধ্ব ‹max›টি টার্গেট সারি ব্যবহার করুন।"
• Empty Category: "‹line› নম্বর সারিতে একটি ক্যালিব্রেশন ক্যাটাগরি ফাঁকা রয়েছে। মিসিং মানগুলো টার্গেটের অংশ হলে সেগুলোর নাম স্পষ্টভাবে উল্লেখ করুন।"
• Missing Target: "স্যাম্পলে “‹variable› / ‹category›” রয়েছে, কিন্তু টার্গেট টেবিলে তা নেই।"
• Zero Cell: "“‹variable› / ‹category›”-এর একটি পজিটিভ টার্গেট রয়েছে কিন্তু কোনো ব্যবহারযোগ্য স্যাম্পল ওয়েট নেই, তাই কোনো সসীম সমাধান নেই।"
• Invalid Tolerance: "1e-12 থেকে 1e-2-এর মধ্যে একটি আপেক্ষিক টলারেন্স বেছে নিন।"
• Invalid Iterations: "১ থেকে ৫০০-এর মধ্যে একটি ইটারেশন সীমা বেছে নিন।"
• Numerical Overflow: "একটি ওয়েট, সমষ্টি বা অ্যাডজাস্টমেন্ট সসীম সংখ্যার সীমার বাইরে চলে গেছে। বেস ওয়েটগুলো পুনরায় স্কেল করে আবার চেষ্টা করুন।"

বিশেষ সতর্কবার্তা ও স্ট্যাটাস

• Already Matched: "প্রারম্ভিক ওয়েটগুলো ইতিমধ্যেই প্রতিটি অনুরোধকৃত মার্জিনের সাথে মিলে গেছে।"
• Convergence Failure: "কনভার্জেন্সের আগেই ইটারেশন সীমায় (‹iterations›) পৌঁছেছে। শেষ ওয়েটগুলো ডায়াগনসিসের জন্য দেখানো হয়েছে, ক্যালিব্রেটেড ফলাফল হিসেবে নয়।"
• Extreme Weights: "মার্জিনগুলো মিলেছে, তবে সবচেয়ে বড় ওয়েটটি সবচেয়ে ছোট ওয়েটের ‹ratio› গুণ; এগুলো ব্যবহার করার আগে ইফেক্টিভ স্যাম্পল সাইজ পরীক্ষা করে দেখুন।"

ডেটা প্রসেসিং এবং গোপনীয়তা

এই টুলের সমস্ত গণনা এবং ডেটা প্রসেসিং সরাসরি ব্যবহারকারীর ওয়েব ব্রাউজারে সম্পন্ন হয়। আপনার উত্তরদাতার ডেটা এবং হিসাবকৃত ওয়েট এই ব্রাউজারেই থাকে এবং কখনোই কোনো বাহ্যিক সার্ভারে আপলোড করা হয় না।

---

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী (FAQ)

প্রশ্ন: রেকিং কী, এবং কখন একটি মার্জিন কেবল পোস্ট-স্ট্র্যাটিফিকেশন হয়?
উত্তর: রেকিং একবারে একটি পরিচিত জনসংখ্যা মার্জিন অ্যাডজাস্ট করে, তারপর সেগুলোর মধ্য দিয়ে চক্রাকারে আবর্তিত হয় যতক্ষণ না পরবর্তী অ্যাডজাস্টমেন্টের পরেও পূর্ববর্তী মার্জিনগুলো মিলে যায়। আপনি কেবল একটি ক্যাটাগরিক্যাল ভেরিয়েবল সরবরাহ করলে একটি চক্রই যথেষ্ট: প্রতিটি ক্যাটাগরি পরিচিত টার্গেট-শেয়ার ÷ বর্তমান-শেয়ার অ্যাডজাস্টমেন্ট পায়। একাধিক মার্জিন তাদের তালিকায় না থাকা ক্রস-কম্বিনেশনগুলোকে মেলাতে বাধ্য করে না।

প্রশ্ন: বেস ওয়েট হিসেবে আমার কী ব্যবহার করা উচিত?
উত্তর: জনসংখ্যা ক্যালিব্রেশনের আগের ওয়েটটি ব্যবহার করুন — সাধারণত আপনার গবেষণার জন্য প্রয়োজনীয় যেকোনো পূর্ববর্তী নন-রেসপন্স অ্যাডজাস্টমেন্টের পর, প্রতিটি উত্তরদাতার চূড়ান্ত নির্বাচনের সম্ভাবনার বিপরীত মান। আপনার কাছে প্রোবাবিলিটি ওয়েট না থাকলে, সবাইকে ১ দিয়ে শুরু করতে ক্ষেত্রটি ফাঁকা রাখুন। এটি ক্যালিব্রেশন ওয়েট তৈরি করে, তবে এটি কোনো কনভেনিয়েন্স স্যাম্পলকে প্রোবাবিলিটি স্যাম্পলে রূপান্তরিত করে না।

প্রশ্ন: কেন একটি টার্গেটের কোনো সমাধান থাকে না বা কনভার্জ করতে ব্যর্থ হয়?
উত্তর: কোনো স্যাম্পলড উত্তরদাতা নেই এমন ক্যাটাগরি থেকে পজিটিভ টার্গেট তৈরি করা যায় না। বেশ কয়েকটি ভেরিয়েবলের ক্ষেত্রে, পর্যবেক্ষিত কম্বিনেশনগুলো অন্যথায় স্বাভাবিক দেখতে মার্জিনগুলোকে অসামঞ্জস্যপূর্ণ করে তুলতে পারে। অত্যন্ত সংক্ষিপ্ত ইটারেশন সীমা বা চরম শুরুর ওয়েট অনুরোধকৃত টলারেন্সের আগেই কাজ থামিয়ে দিতে পারে। টার্গেট অডিট এবং সবচেয়ে খারাপ টার্গেটের লগ দেখায় কোথায় অমিল রয়ে গেছে; এই শেষ ওয়েটগুলোকে ক্যালিব্রেটেড হিসেবে গণ্য করবেন না।

প্রশ্ন: Kish ওয়েট ইফেক্ট কি সম্পূর্ণ সার্ভে ডিজাইন ইফেক্ট?
উত্তর: না। এটি কেবল অসমান ওয়েটের সাথে সম্পর্কিত প্রিসিশন লস পরিমাপ করে: সমান ওয়েট ১ দেয়, এবং আরও পরিবর্তনশীল ওয়েট ইফেক্টিভ স্যাম্পল সাইজ কমিয়ে দেয়। ক্লাস্টারিং, স্ট্র্যাটিফিকেশন, সসীম-জনসংখ্যা সংশোধন এবং আউটকাম কীভাবে ক্যালিব্রেশন ভেরিয়েবলের সাথে সম্পর্কিত, এই সবই প্রকৃত ভ্যারিয়েন্স পরিবর্তন করতে পারে। স্ট্যান্ডার্ড এরর এবং কনফিডেন্স ব্যবধানের জন্য সম্পূর্ণ স্যাম্পল ডিজাইন বোঝে এমন সফটওয়্যার ব্যবহার করুন।