အဆိုပါရိုးရှင်းသောစမ်းသပ်မှု

ဘယ်လိုသုတေသီများက Discover အကြောင်း-and Effect ပေါင်းသင်းဆက်ဆံရေး

ရိုးရှင်းတဲ့စမ်းသပ်မှုတဦးတည်းသုတေသီများမကြာခဏတဦးတည်း variable ကိုပြောင်းလဲမှုများအခြားပြောင်းလဲမှုများဖို့ဦးဆောင်လမ်းပြလိမ့်မယ်ဆိုပါကဆုံးဖြတ်ရန်ကိုအသုံးပြုဖို့ဖြစ်ပါတယ် variable ကို အကြောင်းမရှိ-and effect ကိုတည်ထောင်ရန်, တစ်နည်းနှစ်ဆပိုများလာ။ အသစ်တစ်ခုကိုဆေးဝါးများ၏ထိရောက်မှုမှာရှာဖွေနေရိုးရှင်းတဲ့စမ်းသပ်မှုများတွင်ဥပမာ, လေ့လာမှုသင်တန်းသားများစေခြင်းငှါ ကျပန်းတာဝန်ပေးအပ် အုပ်စုနှစ်စု၏တဦးတည်းမှဤတပါးပါလိမ့်မယ် ထိန်းချုပ်မှုအုပ်စုတစ်စု နှင့်မျှမတို့ကုသမှုခံယူ, အခြားအဖွဲ့လိမ့်မယ်နေစဉ် စမ်းသပ်အုပ်စုတစ်စု ကြောင်းလေ့လာခဲ့ခံနေရကုသမှုကိုလက်ခံရရှိပါတယ်။

တစ်ရိုးရှင်းသောစမ်းသပ်မှု၏ Element တွေကို

ရိုးရှင်းတဲ့စမ်းသပ်မှုပြင်းထန် key ကိုဒြပ်စင်၏ရေးစပ်သည်:

• အဆိုပါစမ်းသပ်ဆဲယူဆချက်။ ဒါကကုသမှုတစ်ခုသက်ရောက်စေမည်ဒါအမြဲတမ်းအကြောင်းမရှိ-and effect ကိုကြေညာချက်အဖြစ် phrased မည်ဖြစ်ကြောင်းခန့်မှန်းကြောင်းထုတ်ပြန်ချက်ဖြစ်ပါတယ်။ ဥပမာအားဖြင့်, သုတေသီများကဒီလမ်းအတွက်ထားသောစာပိုဒ်တိုများတဲ့အယူအဆမယ်: "ဆေးပညာတစ်ဦး၏အုပ်ချုပ်ရေးရောဂါခ၏ရောဂါလက္ခဏာတစ်ခုလျော့ချရေးအတွက်ရလဒ်ပါလိမ့်မယ်"
• အဆိုပါတရားမဝင်သောယူဆချက်။ ဒါကဖြစ်ပါတယ် အယူအဆ စမ်းသပ်ကုသမှုသင်တန်းသားများသို့မဟုတ်မှီခို variable တွေကိုမအကျိုးသက်ရောက်မှုရှိလာမည်ဖြစ်သည်။ ဒါဟာကုသမှုတစ်ခုအကျိုးသက်ရောက်မှုကိုရှာဖွေပျက်ကွက်ခြင်းမရှိအကျိုးသက်ရောက်မှုရှိကွောငျးမဆိုလိုပါသတိပြုပါရန်အရေးကြီးပါတယ်။ ကုသမှုသုတေသီလက်ရှိစမ်းသပ်မှုများတွင်တိုင်းတာကြသည်မဟုတ်အခြား variable ကို impact ပေလိမ့်မည်။
• အဆိုပါ လွတ်လပ်သော variable ကို ။ စမ်းသပ်နေဖြင့်ကြိုးကိုင်ကြောင်းကုသမှု variable ကို။
• အဆိုပါ မှီခို variable ကို ။ ဒါကသုတေသီများတိုင်းတာခြင်းနေသောတုံ့ပြန်မှုကိုရည်ညွှန်းသည်။

• ထိန်းချုပ်မှုအုပ်စုသည်။ ဤရွေ့ကားကျပန်းအုပ်စုတစ်စုမှတာဝန်ပေးအပ်ကြသည်ပေမယ့်ကုသမှုကိုမခံမယူကြဘူးသူတစ်ဦးချင်းစီဖြစ်ကြသည်။ ထိန်းချုပ်မှုအုပ်စုတစ်စုကနေယူတိုင်းတာကုသမှုတစ်ခုအကျိုးသက်ရောက်မှုရှိခဲ့လျှင်ဆုံးဖြတ်ရန်စမ်းသပ်အုပ်စုသူများနှင့်နှိုင်းယှဉ်ပါလိမ့်မည်။
• အဆိုပါစမ်းသပ်ဆဲအုပ်စုသည်။ လေ့လာမှုသင်တန်းသားများကိုဒီအဖွဲ့ကိုစမျးသပျခံရကုသမှုခံယူပါလိမ့်မယ်သူကျပန်းရွေးချယ်ဘာသာရပ်များတက်လုပ်ဖြစ်ပါတယ်။

တစ်ရိုးရှင်းသောစမ်းသပ်မှုများ၏ရလဒ်များအဆုံးအဖြတ်

ရိုးရှင်းသောစမ်းသပ်မှုများမှဒေတာများကိုစုဝေးစေခဲ့ပြီးပြီးတာနဲ့သုတေသီများထို့နောက်ကုသမှုတစ်ခုအကျိုးသက်ရောက်မှုရှိခဲ့လျှင်ဆုံးဖြတ်ရန်ထိန်းချုပ်မှုအဖွဲ့သူတို့အားစမ်းသပ်အုပ်စုတစ်စု၏ရလဒ်များကိုနှိုင်းယှဉ်။ ကြောင့်အမှားအယွင်းများ၏အမြဲပစ္စုပ္ပန်ဖြစ်နိုင်ခြေရန်, နှစ်ဦး variable တွေကိုအကြားဆက်ဆံရေးသေချာ 100 ရာခိုင်နှုန်းဖြစ်မဖြစ်နိုင်ပါပါပဲ။ ဥပမာအားဖြင့်စမ်းသပ်မှု၏ရလဒ်ကိုသြဇာလွှမ်းမိုးကြောင်းကစားမှာအမည်မသိ variable တွေကိုရှိပေလိမ့်မည်။

ဒီစိန်ခေါ်မှုနေသော်လည်းအများစုမှာဖွယ်ရှိတဲ့အဓိပ္ပာယ်ပြည့်ဆက်ဆံရေးမျိုးရှိပါလျှင်ဆုံးဖြတ်ရန်နည်းလမ်းတွေရှိပါတယ်။ ဒီလိုလုပ်ဖို့သိပ္ပံပညာရှင်များတစ်ဦးထံမှယူဆောင်ရွက်မှုများအပေါ်အခြေခံပြီးလူဦးရေနှင့်ပတ်သက်ပြီးအခြ drawing နှင့်အတူဆကျဆံကြောင်းသိပ္ပံပညာ၏ဌာနခှဲက inferential-တစ်စာရင်းဇယားကိုအသုံးပြုဖို့ ကိုယ်စားလှယ်နမူနာ ကြောင်းလူဦးရေရဲ့။

ကုသမှုအနေနဲ့အကျိုးသက်ရောက်မှုရှိခဲ့မယ်ဆိုရင်အဆုံးအဖြတ်ပေးဖို့ key ကိုစာရင်းအင်းအရေးပါမှုတိုင်းတာရန်ဖြစ်ပါသည်။ စာရင်းအင်းအရေးပါမှုဟာ variable တွေကိုအကြားဆက်ဆံရေးဖြစ်ကောင်းမျှသာအခွင့်အလမ်းကြောင့်မဟုတ်ပါဘူးနှင့်စစ်မှန်သောဆက်ဆံရေးဟာအများဆုံးဖွယ်ရှိနှစ်ခု variable တွေကိုအကြားတည်ရှိကြောင်းကိုပြသထားတယ်။

စာရင်းအင်းအရေးပါမှုကိုမကြာခဏဤကဲ့သို့သောကိုယ်စားပြုသည်:

p <0.05

ထက်နည်း .05 ၏တစ်ဦးကို p-တန်ဖိုးရလဒ်များကဖွယ်ရှိအခွင့်အလမ်းကြောင့်ဖြစ်ကြောင်းနှင့်ဤရလဒ်များကိုရယူများ၏ဖြစ်နိုင်ခြေလျော့နည်းထက်ငါးရာခိုင်နှုန်းပါလိမ့်မယ်ကြောင်းကိုဖော်ပြသည်။

စာရင်းအင်းအရေးပါမှုတိုင်းတာ၏ကွဲပြားခြားနားသောနည်းလမ်းများ၏နံပါတ်ရှိပါသည်။ အသုံးပြုတဲ့တစမ်းသပ်မှုများအတွက်အသုံးပြုခဲ့သုတေသနဒီဇိုင်းအမျိုးအစားအပေါ်မူတည်ပါလိမ့်မယ်။