စစ်တမ်းအလေးပေးမှု တွက်စက်

ဖြေဆိုသူဒေတာကို သိရှိထားသော လူဦးရေအနားသတ်များနှင့် ကိုက်ညီအောင် ချိန်ညှိပြီးနောက် နောက်ဆုံးအလေးပေးမှုတိုင်း၊ ပစ်မှတ်အကြွင်းအကျန်နှင့် ထိရောက်သောနမူနာအရွယ်အစားတို့ကို စစ်ဆေးပါ။

နမူနာနှင့် ပစ်မှတ်များ

ဖြေဆိုသူဒေတာခေါင်းစဉ်တစ်ခုနှင့် ဖြေဆိုသူအတန်းပေါင်း 20,000 (စာလုံးရေ 2,000,000) အထိ ကူးယူထည့်ပါ။ တက်ဘ်များ၊ ဆီမီကော်လွန်များနှင့် CSV ကော်မာများ အလုပ်လုပ်ပြီး၊ ကိန်းဂဏန်းများသည် ဒသမအစက်ကို အသုံးပြုသည်။

လူဦးရေအနားသတ်များ (%)ကိန်းရှင်၊ အမျိုးအစားနှင့် ပစ်မှတ်ရာခိုင်နှုန်း (0%–100%) ကို အသုံးပြုပါ- အများဆုံး အတန်း 500၊ ကိန်းရှင် 6 ခုနှင့် တစ်ခုစီတွင် အမျိုးအစား 100 အထိ။ ကိန်းရှင်တိုင်းသည် နမူနာကောက်ယူထားသော အမျိုးအစားအားလုံးကို လွှမ်းခြုံရမည်ဖြစ်ပြီး စုစုပေါင်း 100% ရှိရမည်။

အခြေခံအလေးချိန် ကော်လံရွေးချယ်နိုင်ပြီး အတိုင်းအတာမရှိပါ။ လူတိုင်းကို အလေးချိန် 1 ဖြင့် စတင်ရန် ကွက်လပ်ထားခဲ့ပါ။ တန်ဖိုးများသည် ကန့်သတ်ချက်ရှိပြီး 0 ထက် ကြီးရပါမည်။

ရလဒ်ကော်လံအလေးပေးထားသော ပျမ်းမျှတန်ဖိုးများကို နှိုင်းယှဉ်ရန်အတွက်သာ အသုံးပြုသည့် ရွေးချယ်နိုင်သော ကန့်သတ်ကိန်းဂဏန်းကော်လံဖြစ်ပြီး၊ ရလဒ်များသည် ကော်လံ၏ကိုယ်ပိုင်ယူနစ်ကို ဆက်လက်ထိန်းသိမ်းထားမည်ဖြစ်သည်။

နှိုင်းရ ခံနိုင်ရည်အဆင့်အတိုင်းအတာမဲ့။ ပစ်မှတ်တိုင်း၏ နှိုင်းရအမှားသည် ဤတန်ဖိုး (1e-12 မှ 1e-2) သို့မဟုတ် ၎င်းအောက်သို့ ရောက်ရှိသောအခါ ရပ်တန့်ပါ။

အများဆုံး ထပ်ကျော့မှုအကြိမ်ရေပေါင်းဆုံခြင်းမရှိမီ ဤကန့်သတ်ချက် (1 မှ 500) သို့ ရောက်ရှိပါက နောက်ဆုံးအလေးပေးမှုများသည် ရောဂါရှာဖွေရန်အတွက်သာ ကျန်ရှိမည်ဖြစ်သည်။

ပြသမည့် ဒဿမနေရာများ

စံကိုက်ညှိထားသော အလေးပေးမှုများ

အနားသတ် ကိုက်ညီမှု

—

ပစ်မှတ် စစ်ဆေးချက်

Variable	အမျိုးအစား	နမူနာ n	ပစ်မှတ်	အလေးချိန်ညှိထားသော	ကျန်ရှိတန်ဖိုး

ပထမအကြိမ် စက်ဝန်း၏ ညှိနှိုင်းမှု အဆတိုးကိန်းများ

Variable	အမျိုးအစား	လက်ရှိ စုစုပေါင်း	ပစ်မှတ် စုစုပေါင်း	အဆတိုးကိန်း

ပေါင်းဆုံမှုမှတ်တမ်း

အကြိမ်ရေ	အများဆုံး နှိုင်းရအမှား	အဆိုးဆုံး ပစ်မှတ်

ဖြေဆိုသူ အလေးပေးမှုများ

အတန်း	ID	အခြေခံအလေးချိန်	ညှိနှိုင်းမှု	နောက်ဆုံးအလေးချိန်	ရလဒ်

အယ်လ်ဂိုရီသမ်နှင့် အစားထိုးခြင်း

S_mc = Σ w_i for i in category c

T_mc = n × target_mc ÷ 100

a_mc = T_mc ÷ S_mc

w_i ← w_i × a_mc

w_i,final = d_i × adjustment_i

DEFF_Kish = n·Σw_i² ÷ (Σw_i)²

n_eff = (Σw_i)² ÷ Σw_i²

အလေးပေးမှုများ ပြုလုပ်ရန် ဖြေဆိုသူဒေတာနှင့် လူဦးရေပစ်မှတ်များကို ကူးယူထည့်ပါ။

သင်၏ ဖြေဆိုသူဒေတာနှင့် တွက်ချက်ထားသော အလေးပေးမှုများသည် ဤဘရောက်ဆာထဲတွင်သာ ရှိနေမည်ဖြစ်ပြီး မည်သည့်အခါမျှ အပ်လုဒ်တင်မည် မဟုတ်ပါ။

အမေးအဖြေ

Raking ဆိုသည်မှာ အဘယ်နည်း၊ အနားသတ်တစ်ခုတည်းသည် မည်သည့်အချိန်တွင် post-stratification မျှသာဖြစ်သွားသနည်း။

Raking သည် လူဦးရေအနားသတ်တစ်ခုချင်းစီကို တစ်ကြိမ်လျှင် တစ်ခုကျစီ ချိန်ညှိပေးပြီး၊ နောက်ပိုင်းချိန်ညှိမှုများ ပြုလုပ်ပြီးနောက်တွင်လည်း အစောပိုင်းအနားသတ်များ ကိုက်ညီနေစေရန် ၎င်းတို့ကို အလှည့်ကျလုပ်ဆောင်ပေးသည်။ အကယ်၍ သင်သည် အမျိုးအစားခွဲခြားမှုကိန်းရှင်တစ်ခုတည်းကိုသာ ပံ့ပိုးပေးပါက၊ တစ်ကျော့တည်းဖြင့် လုံလောက်ပါသည်- အမျိုးအစားတစ်ခုစီသည် ရင်းနှီးပြီးသားဖြစ်သော ပစ်မှတ်ဝေစု ÷ လက်ရှိဝေစု ချိန်ညှိမှုကို ရရှိမည်ဖြစ်သည်။ အနားသတ်အများအပြားရှိခြင်းသည် စာရင်းမသွင်းထားသော ၎င်းတို့၏ အပြန်အလှန်ပေါင်းစပ်မှုများကို ကိုက်ညီစေရန် အတင်းအကျပ်မလုပ်ဆောင်ပါ။

အခြေခံအလေးချိန်အဖြစ် ကျွန်ုပ် ဘာကို အသုံးပြုသင့်သလဲ။

လူဦးရေ စံကိုက်ညှိခြင်းမပြုမီ သတ်မှတ်ရမည့် အလေးချိန်ကို အသုံးပြုပါ — ယေဘုယျအားဖြင့် သင်၏လေ့လာမှုတွင် လိုအပ်သော အစောပိုင်း တုံ့ပြန်မှုမရှိခြင်းဆိုင်ရာ ညှိနှိုင်းမှုများ ပြုလုပ်ပြီးနောက်၊ ဖြေဆိုသူတစ်ဦးစီ၏ နောက်ဆုံးရွေးချယ်ခံရမှု ဖြစ်နိုင်ခြေ၏ ပြောင်းပြန်တန်ဖိုး ဖြစ်သည်။ သင့်တွင် ဖြစ်နိုင်ခြေအလေးချိန်များ မရှိပါက လူတိုင်းကို 1 ဖြင့် စတင်ရန် ဤကွက်လပ်ကို ချန်ထားခဲ့ပါ။ ၎င်းသည် စံကိုက်ညှိခြင်း အလေးချိန်များကို ထုတ်ပေးသော်လည်း အဆင်ပြေရာရွေးချယ်ထားသော နမူနာတစ်ခုကို ဖြစ်နိုင်ခြေနမူနာတစ်ခုအဖြစ်သို့ ပြောင်းလဲပေးမည် မဟုတ်ပါ။

Kish အလေးပေးမှုသက်ရောက်မှုသည် စစ်တမ်းဒီဇိုင်းသက်ရောက်မှုတစ်ခုလုံး ဖြစ်ပါသလား။

မဟုတ်ပါ။ ၎င်းသည် မညီမျှသောအလေးပေးမှုများနှင့် ဆက်စပ်နေသည့် တိကျမှုဆုံးရှုံးမှုကိုသာ တိုင်းတာခြင်းဖြစ်သည်- ညီမျှသောအလေးပေးမှုများသည် 1 ကိုပေးပြီး၊ ပိုမိုပြောင်းလဲလွယ်သောအလေးပေးမှုများသည် ထိရောက်သောနမူနာအရွယ်အစားကို လျှော့ချပေးသည်။ စုပြုံခြင်း၊ အလွှာခွဲခြင်း၊ ကန့်သတ်လူဦးရေပြင်ဆင်မှုများနှင့် ရလဒ်သည် စံကိုက်ညှိကိန်းရှင်များနှင့် မည်သို့ဆက်စပ်နေသည်ဟူသောအချက်များအားလုံးသည် အမှန်တကယ်ကွဲလွဲမှုကို ပြောင်းလဲစေနိုင်သည်။ စံအမှားများနှင့် ယုံကြည်စိတ်ချရမှုအပိုင်းအခြားများအတွက် နမူနာပုံစံတစ်ခုလုံးကို သိရှိနားလည်သော ဆော့ဖ်ဝဲလ်ကို အသုံးပြုပါ။

ပစ်မှတ်တစ်ခုတွင် အဖြေမရှိခြင်း သို့မဟုတ် ပေါင်းဆုံရန် ပျက်ကွက်ခြင်းမှာ အဘယ်ကြောင့်နည်း။

နမူနာကောက်ယူထားသော ဖြေဆိုသူမရှိသည့် အမျိုးအစားတစ်ခုမှ အပြုသဘောဆောင်သော ပစ်မှတ်တစ်ခုကို ဖန်တီး၍မရပါ။ ကိန်းရှင်အများအပြားရှိပါက၊ တွေ့ရှိရသော ပေါင်းစပ်မှုများသည် အခြားနည်းဖြင့် သင့်လျော်ပုံရသော အနားသတ်များကို ကိုက်ညီမှုမရှိအောင်လည်း ဖြစ်စေနိုင်သည်။ အလွန်တိုတောင်းသော ထပ်ကျော့မှုကန့်သတ်ချက် သို့မဟုတ် အစွန်းရောက်သော အစပြုအလေးပေးမှုများသည် တောင်းဆိုထားသော ခံနိုင်ရည်အဆင့်မပြည့်မီမီ ရပ်တန့်သွားနိုင်သည်။ ပစ်မှတ်စစ်ဆေးမှုနှင့် အဆိုးရွားဆုံးပစ်မှတ်မှတ်တမ်းတို့သည် မည်သည့်နေရာတွင် ကိုက်ညီမှုမရှိဘဲ ကျန်ရှိနေသည်ကို ပြသသည်၊ ထိုနောက်ဆုံးအလေးပေးမှုများကို စံကိုက်ညှိပြီးသားအဖြစ် မသတ်မှတ်ပါနှင့်။

BroBroGo အယ်ဒီတာအဖွဲ့မှ ရေးသားပြီး ပြန်လည်စစ်ဆေးထားသည်။နောက်ဆုံးအပ်ဒိတ်လုပ်ချိန်: 2026-07-28

စစ်တမ်းအချက်အလက်များကို လူဦးရေပစ်မှတ်များနှင့် ကိုက်ညီအောင် ချိန်ညှိခြင်း (Survey Calibration)

စစ်တမ်းကောက်ယူရာတွင် ရရှိလာသော နမူနာဖြေဆိုသူများ၏ အချိုးအစားသည် အမှန်တကယ်လေ့လာလိုသော လူဦးရေထု၏ အချိုးအစားနှင့် ကွဲလွဲနေတတ်သည်။ ဥပမာအားဖြင့် နမူနာအုပ်စုတွင် အမျိုးသမီးဦးရေ ပိုမိုများပြားနေခြင်း သို့မဟုတ် သက်ကြီးရွယ်အို အချိုးအစား ပိုမိုများပြားနေခြင်းမျိုး ဖြစ်နိုင်သည်။ ဤကဲ့သို့သော အခြေအနေမျိုးတွင် စစ်တမ်းရလဒ်များ ဘက်လိုက်မှုကို လျှော့ချရန်အတွက် လူဦးရေအနားသတ်များနှင့် ကိုက်ညီအောင် ချိန်ညှိခြင်း (Calibration) ကို ပြုလုပ်ရသည်။

"Survey Weighting Calculator" သည် Raking (Iterative Proportional Fitting) အယ်လ်ဂိုရီသမ်ကို အသုံးပြု၍ ဖြေဆိုသူတစ်ဦးချင်းစီ၏ အလေးချိန် (Weights) များကို အလိုအလျောက် တွက်ချက်ပေးသည့် အွန်လိုင်းကိရိယာတစ်ခု ဖြစ်သည်။ ဤကိရိယာသည် ဖြေဆိုသူများ၏ အချက်အလက်များနှင့် လူဦးရေပစ်မှတ် ရာခိုင်နှုန်းများကို အခြေခံ၍ အနားသတ်များ ကိုက်ညီသည်အထိ အလေးချိန်များကို ထပ်ခါတလဲလဲ ညှိနှိုင်းပေးပြီး၊ စစ်တမ်း၏ တိကျမှုနှင့် ထိရောက်သော နမူနာအရွယ်အစားအပေါ် သက်ရောက်မှုများကိုပါ တပြိုင်နက် တွက်ချက်ဖော်ပြပေးသည်။

Raking နှင့် Post-Stratification နှိုင်းယှဉ်ချက်

စစ်တမ်းအလေးပေးခြင်းတွင် နည်းလမ်းနှစ်ခုကို အဓိကအသုံးပြုကြသည် -

Post-Stratification: ဤနည်းလမ်းသည် ကိန်းရှင်အားလုံး၏ ဆဲလ်ပေါင်းစပ်မှုတိုင်း (ဥပမာ - အသက်အုပ်စု × ကျား/မ × ဒေသ) အတွက် လူဦးရေပစ်မှတ်များကို သိရှိရန် လိုအပ်သည်။ သို့သော် ကိန်းရှင်များပြားလာပါက ဆဲလ်အရေအတွက် အလွန်များပြားလာပြီး အချို့ဆဲလ်များတွင် ဖြေဆိုသူ လုံးဝမရှိခြင်း (Zero-Cell) ပြဿနာနှင့် ရင်ဆိုင်ရတတ်သည်။
Raking (Iterative Proportional Fitting): ဤနည်းလမ်းသည် ကိန်းရှင်တစ်ခုချင်းစီ၏ အနားသတ်ပစ်မှတ်များ (Marginal Targets) ကိုသာ လိုအပ်သည်။ ဥပမာအားဖြင့် အသက်အုပ်စု၏ စုစုပေါင်းရာခိုင်နှုန်း၊ ကျား/မ စုစုပေါင်းရာခိုင်နှုန်းနှင့် ဒေသအလိုက် စုစုပေါင်းရာခိုင်နှုန်းများကိုသာ အသုံးပြု၍ အလေးချိန်များကို တစ်လှည့်စီ ထပ်ခါတလဲလဲ ညှိနှိုင်းပေးသည်။ ၎င်းသည် ဆဲလ်ပေါင်းစပ်မှုတိုင်းအတွက် ပစ်မှတ်များမရှိသော်လည်း ကိန်းရှင်အများအပြားကို တစ်ပြိုင်နက် စံကိုက်ညှိနိုင်စေသည်။

အကယ်၍ ကိန်းရှင်တစ်ခုတည်းကိုသာ ထည့်သွင်းတွက်ချက်ပါက Raking အယ်လ်ဂိုရီသမ်သည် တစ်ကျော့တည်းဖြင့် ပြီးမြောက်ပြီး ရိုးရှင်းသော Post-Stratification ညှိနှိုင်းမှုအတိုင်း လုပ်ဆောင်ပေးသည်။

ထည့်သွင်းရမည့် အချက်အလက်များနှင့် ကန့်သတ်ချက်များ

တွက်ချက်မှုကို စတင်ရန် အောက်ပါအချက်အလက်များကို သတ်မှတ်ထားသော ပုံစံများအတိုင်း ထည့်သွင်းရမည် -

ဖြေဆိုသူဒေတာ (Respondent data)

ပုံစံ: ခေါင်းစဉ်အတန်း (Header row) တစ်ခု ပါဝင်ရမည်ဖြစ်ပြီး ဖြေဆိုသူတစ်ဦးလျှင် အတန်းတစ်တန်းစီ ထည့်သွင်းရမည်။ ကော်လံများကို Tabs, Semicolons သို့မဟုတ် CSV Commas များဖြင့် ပိုင်းခြားနိုင်သည်။ ဒသမကော်မာအသုံးပြုသော ဒေသများတွင် ဆဲလ်အတွင်း၌သာ ဒသမကော်မာရှိနေစေရန် Tabs သို့မဟုတ် Semicolons ကို အသုံးပြုသင့်သည်။
ကန့်သတ်ချက်: စာလုံးရေ 2,000,000 အောက်နှင့် ဖြေဆိုသူအတန်းပေါင်း 20,000 ထက်မပိုရပါ။ ထူးခြားသော အမည်ရှိသည့် ကော်လံအနည်းဆုံး နှစ်ခု ပါဝင်ရမည်ဖြစ်ပြီး ခေါင်းစဉ်ကွက်လပ် မဖြစ်ရပါ။

လူဦးရေအနားသတ်များ (%) (Population margins)

ပုံစံ: ကော်လံ သုံးခုတိတိ ပါဝင်ရမည် - Variable၊ အမျိုးအစား (Category) နှင့် ပစ်မှတ် ရာခိုင်နှုန်း (Target percent)။
ကန့်သတ်ချက်: အများဆုံး ပစ်မှတ်အတန်း 500၊ စံကိုက်ညှိခြင်း ကိန်းရှင် (Calibration variables) 6 ခုနှင့် ကိန်းရှင်တစ်ခုစီတွင် အမျိုးအစား 100 ထက်မပိုရပါ။ ကိန်းရှင်တစ်ခုချင်းစီ၏ ပစ်မှတ်ရာခိုင်နှုန်း စုစုပေါင်းသည် တိတိကျကျ 100% ရှိရမည်ဖြစ်ပြီး တန်ဖိုးတစ်ခုချင်းစီသည် 0% မှ 100% အတွင်း ရှိရမည်။

အခြားရွေးချယ်စရာ သတ်မှတ်ချက်များ

အခြေခံအလေးချိန် ကော်လံ (Base-weight column): ဖြေဆိုသူတစ်ဦးချင်းစီ၏ စတင်အလေးချိန် ကော်လံဖြစ်သည်။ ကွက်လပ်ထားပါက လူတိုင်းကို အခြေခံအလေးချိန် 1 ဖြင့် စတင်တွက်ချက်သည်။ တန်ဖိုးများသည် 0 ထက်ကြီးသော ကန့်သတ်ချက်ရှိသည့် ကိန်းဂဏန်းများ ဖြစ်ရမည်။
ရလဒ်ကော်လံ (Outcome column): အလေးပေးခြင်းကြောင့် ပြောင်းလဲသွားသော ပျမ်းမျှတန်ဖိုးများကို နှိုင်းယှဉ်ရန်အတွက် အသုံးပြုသည့် ကန့်သတ်ကိန်းဂဏန်းကော်လံ ဖြစ်သည်။
နှိုင်းရ ခံနိုင်ရည်အဆင့် (Relative tolerance): အယ်လ်ဂိုရီသမ် ရပ်တန့်မည့် အမှားအကွာအဝေးဖြစ်ပြီး 1e-12 မှ 1e-2 အတွင်း သတ်မှတ်ရမည်။
အများဆုံး ထပ်ကျော့မှုအကြိမ်ရေ (Maximum iterations): အယ်လ်ဂိုရီသမ် အလုပ်လုပ်မည့် အကြိမ်ရေ ကန့်သတ်ချက်ဖြစ်ပြီး 1 မှ 500 အတွင်း သတ်မှတ်ရမည်။

တွက်ချက်မှုဆိုင်ရာ ဖော်မြူလာများနှင့် အဆင့်များ

တွက်ချက်မှု လုပ်ငန်းစဉ်တွင် အောက်ပါဖော်မြူလာများကို အသုံးပြုသည် -

၁။ ပထမအကြိမ် စက်ဝန်း၏ ညှိနှိုင်းမှု အဆတိုးကိန်း (Adjustment Factor)

ကိန်းရှင်တစ်ခုချင်းစီ၏ အမျိုးအစားအလိုက် အဆတိုးကိန်းကို အောက်ပါအတိုင်း တွက်ချက်သည် - ‹variable› / ‹category›- အဆ = ပစ်မှတ်စုစုပေါင်း ÷ လက်ရှိစုစုပေါင်း = ‹target› ÷ ‹current› = ‹factor›

၂။ ပုံမှန်ဖြစ်စေခြင်း (Normalization)

နောက်ဆုံးရရှိလာသော အလေးချိန်များ၏ ပျမ်းမျှတန်ဖိုးကို 1 ဖြစ်စေရန်နှင့် ၎င်းတို့၏ စုစုပေါင်းသည် ဖြေဆိုသူအရေအတွက် (n) နှင့် ညီမျှစေရန် အောက်ပါအတိုင်း ညှိနှိုင်းသည် - နောက်ဆုံးအလေးပေးမှုများကို ပျမ်းမျှတန်ဖိုး 1 သို့ ပုံမှန်ဖြစ်စေရန် ချိန်ညှိပါ၊ သို့မှသာ ၎င်းတို့၏စုစုပေါင်းသည် ဖြေဆိုသူအရေအတွက်နှင့် ညီမျှမည်ဖြစ်သည်- Σw = n = ‹count›။

၃။ Kish အလေးပေးမှုသက်ရောက်မှု (Kish weight effect)

မညီမျှသော အလေးပေးမှုများကြောင့် ဖြစ်ပေါ်လာသည့် တိကျမှုဆုံးရှုံးမှုကို အောက်ပါအတိုင်း တွက်ချက်သည် - Kish အလေးပေးမှုသက်ရောက်မှု = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›။

၄။ ထိရောက်သော နမူနာအရွယ်အစား (Effective sample size)

အလေးပေးပြီးနောက် ကျန်ရှိမည့် ထိရောက်သော နမူနာအရေအတွက်ကို အောက်ပါအတိုင်း တွက်ချက်သည် - ထိရောက်သော နမူနာအရွယ်အစား = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›။

စနစ်၏ သတိပေးချက်များနှင့် အမှားသတင်းစကားများ

တွက်ချက်မှု လုပ်ဆောင်ရာတွင် အောက်ပါအခြေအနေများနှင့် ကြုံတွေ့ရပါက စနစ်မှ သတိပေးချက်များ ထုတ်ပြန်ပေးမည် ဖြစ်သည် -

အောင်မြင်စွာ ပေါင်းဆုံခြင်း: သတ်မှတ်ထားသော အကြိမ်ရေအတွင်း ပစ်မှတ်များ ကိုက်ညီပါက statusSuccess ("ထပ်ကျော့မှုအကြိမ် ‹iterations› တွင် ပေါင်းဆုံသွားပါသည်၊ တောင်းဆိုထားသော အနားသတ်တိုင်း ကိုက်ညီမှုရှိပါသည်။") ဟု ပြသမည်။
စတင်ကတည်းက ကိုက်ညီနေခြင်း: အချက်အလက်များ ပြင်ဆင်ရန်မလိုဘဲ ကိုက်ညီနေပါက statusAlreadyMatched ("စတင်အလေးပေးမှုများသည် တောင်းဆိုထားသော အနားသတ်တိုင်းနှင့် ကိုက်ညီနေပြီဖြစ်သည်။") ဟု ပြသမည်။
ပေါင်းဆုံရန် ပျက်ကွက်ခြင်း: အကယ်၍ သတ်မှတ်ထားသော အကြိမ်ရေအတွင်း မပေါင်းဆုံပါက statusNotConverged ("မပေါင်းဆုံမီ ထပ်ကျော့မှုကန့်သတ်ချက် (‹iterations›) သို့ ရောက်ရှိသွားသည်။ နောက်ဆုံးအလေးပေးမှုများကို စံကိုက်ညှိထားသော ရလဒ်များအဖြစ် မဟုတ်ဘဲ ရောဂါရှာဖွေရန်အတွက်သာ ပြသထားသည်။") ဟု ပြသမည်။
အစွန်းရောက် အလေးချိန်များ: အလေးချိန်များ အလွန်အမင်း ကွာဟနေပါက statusExtreme ("အနားသတ်များ ကိုက်ညီသော်လည်း အကျယ်ဆုံးအလေးပေးမှုသည် အသေးဆုံးထက် ‹ratio› ဆ ရှိနေသည်၊ ၎င်းတို့ကို အသုံးမပြုမီ ထိရောက်သောနမူနာအရွယ်အစားကို စစ်ဆေးပါ။") ဟု သတိပေးမည်။
Zero-Cell အမှား: နမူနာမရှိသော်လည်း ပစ်မှတ်ရှိနေပါက error.zeroCell ("“‹variable› / ‹category›” တွင် အပြုသဘောဆောင်သော ပစ်မှတ်ရှိသော်လည်း အသုံးပြုနိုင်သော နမူနာအလေးချိန် မရှိသဖြင့် ကန့်သတ်ချက်ရှိသော အဖြေ မရှိနိုင်ပါ။") ဟူသော အမှားကို ပြသမည်။

ကိုယ်ရေးအချက်အလက် လုံခြုံမှုဆိုင်ရာ ဖော်ပြချက်

ဤတွက်ချက်မှုကိရိယာကို အသုံးပြုရာတွင် သင်၏ ဖြေဆိုသူဒေတာနှင့် တွက်ချက်ထားသော အလေးပေးမှုများအားလုံးသည် သင့်စက်၏ ဝဘ်ဘရောက်ဆာ (Web Browser) အတွင်း၌သာ ပြည်တွင်း၌ (Locally) လုပ်ဆောင်ခြင်းဖြစ်ပြီး မည်သည့်အချက်အလက်ကိုမျှ ပြင်ပဆာဗာသို့ အပ်လုဒ်တင်ခြင်း မရှိပါ။

အမေးများသော မေးခွန်းများ (FAQ)

Q: အခြေခံအလေးချိန်အဖြစ် ကျွန်ုပ် ဘာကို အသုံးပြုသင့်သလဲ။
A: လူဦးရေ စံကိုက်ညှိခြင်းမပြုမီ သတ်မှတ်ရမည့် အလေးချိန်ကို အသုံးပြုပါ — ယေဘုယျအားဖြင့် သင်၏လေ့လာမှုတွင် လိုအပ်သော အစောပိုင်း တုံ့ပြန်မှုမရှိခြင်းဆိုင်ရာ ညှိနှိုင်းမှုများ ပြုလုပ်ပြီးနောက်၊ ဖြေဆိုသူတစ်ဦးစီ၏ နောက်ဆုံးရွေးချယ်ခံရမှု ဖြစ်နိုင်ခြေ၏ ပြောင်းပြန်တန်ဖိုး ဖြစ်သည်။ သင့်တွင် ဖြစ်နိုင်ခြေအလေးချိန်များ မရှိပါက လူတိုင်းကို 1 ဖြင့် စတင်ရန် ဤကွက်လပ်ကို ချန်ထားခဲ့ပါ။ ၎င်းသည် စံကိုက်ညှိခြင်း အလေးချိန်များကို ထုတ်ပေးသော်လည်း အဆင်ပြေရာရွေးချယ်ထားသော နမူနာတစ်ခုကို ဖြစ်နိုင်ခြေနမူနာတစ်ခုအဖြစ်သို့ ပြောင်းလဲပေးမည် မဟုတ်ပါ။

Q: ပစ်မှတ်တစ်ခုတွင် အဖြေမရှိခြင်း သို့မဟုတ် ပေါင်းဆုံရန် ပျက်ကွက်ခြင်းမှာ အဘယ်ကြောင့်နည်း။
A: နမူနာကောက်ယူထားသော ဖြေဆိုသူမရှိသည့် အမျိုးအစားတစ်ခုမှ အပြုသဘောဆောင်သော ပစ်မှတ်တစ်ခုကို ဖန်တီး၍မရပါ။ ကိန်းရှင်အများအပြားရှိပါက၊ တွေ့ရှိရသော ပေါင်းစပ်မှုများသည် အခြားနည်းဖြင့် သင့်လျော်ပုံရသော အနားသတ်များကို ကိုက်ညီမှုမရှိအောင်လည်း ဖြစ်စေနိုင်သည်။ အလွန်တိုတောင်းသော ထပ်ကျော့မှုကန့်သတ်ချက် သို့မဟုတ် အစွန်းရောက်သော အစပြုအလေးပေးမှုများသည် တောင်းဆိုထားသော ခံနိုင်ရည်အဆင့်မပြည့်မီမီ ရပ်တန့်သွားနိုင်သည်။ ပစ်မှတ်စစ်ဆေးမှုနှင့် အဆိုးရွားဆုံးပစ်မှတ်မှတ်တမ်းတို့သည် မည်သည့်နေရာတွင် ကိုက်ညီမှုမရှိဘဲ ကျန်ရှိနေသည်ကို ပြသသည်၊ ထိုနောက်ဆုံးအလေးပေးမှုများကို စံကိုက်ညှိပြီးသားအဖြစ် မသတ်မှတ်ပါနှင့်။

Q: Kish အလေးပေးမှုသက်ရောက်မှုသည် စစ်တမ်းဒီဇိုင်းသက်ရောက်မှုတစ်ခုလုံး ဖြစ်ပါသလား။
A: မဟုတ်ပါ။ ၎င်းသည် မညီမျှသောအလေးပေးမှုများနှင့် ဆက်စပ်နေသည့် တိကျမှုဆုံးရှုံးမှုကိုသာ တိုင်းတာခြင်းဖြစ်သည်- ညီမျှသောအလေးပေးမှုများသည် 1 ကိုပေးပြီး၊ ပိုမိုပြောင်းလဲလွယ်သောအလေးပေးမှုများသည် ထိရောက်သောနမူနာအရွယ်အစားကို လျှော့ချပေးသည်။ စုပြုံခြင်း၊ အလွှာခွဲခြင်း၊ ကန့်သတ်လူဦးရေပြင်ဆင်မှုများနှင့် ရလဒ်သည် စံကိုက်ညှိကိန်းရှင်များနှင့် မည်သို့ဆက်စပ်နေသည်ဟူသောအချက်များအားလုံးသည် အမှန်တကယ်ကွဲလွဲမှုကို ပြောင်းလဲစေနိုင်သည်။ စံအမှားများနှင့် ယုံကြည်စိတ်ချရမှုအပိုင်းအခြားများအတွက် နမူနာပုံစံတစ်ခုလုံးကို သိရှိနားလည်သော ဆော့ဖ်ဝဲလ်ကို အသုံးပြုပါ။

Q: Raking ဆိုသည်မှာ အဘယ်နည်း၊ အနားသတ်တစ်ခုတည်းသည် မည်သည့်အချိန်တွင် post-stratification မျှသာဖြစ်သွားသနည်း။
A: Raking သည် လူဦးရေအနားသတ်တစ်ခုချင်းစီကို တစ်ကြိမ်လျှင် တစ်ခုကျစီ ချိန်ညှိပေးပြီး၊ နောက်ပိုင်းချိန်ညှိမှုများ ပြုလုပ်ပြီးနောက်တွင်လည်း အစောပိုင်းအနားသတ်များ ကိုက်ညီနေစေရန် ၎င်းတို့ကို အလှည့်ကျလုပ်ဆောင်ပေးသည်။ အကယ်၍ သင်သည် အမျိုးအစားခွဲခြားမှုကိန်းရှင်တစ်ခုတည်းကိုသာ ပံ့ပိုးပေးပါက၊ တစ်ကျော့တည်းဖြင့် လုံလောက်ပါသည်- အမျိုးအစားတစ်ခုစီသည် ရင်းနှီးပြီးသားဖြစ်သော ပစ်မှတ်ဝေစု ÷ လက်ရှိဝေစု ချိန်ညှိမှုကို ရရှိမည်ဖြစ်သည်။ အနားသတ်အများအပြားရှိခြင်းသည် စာရင်းမသွင်းထားသော ၎င်းတို့၏ အပြန်အလှန်ပေါင်းစပ်မှုများကို ကိုက်ညီစေရန် အတင်းအကျပ်မလုပ်ဆောင်ပါ။