ဒီနေ့ခေတ်မှာ အချက်အလက် (Data) ရဲ့ အခန်းကဏ္ဍဟာ အရေးပါလာပါတယ်။ အချက်အလက် (Data) ကိုအသုံးပြုပြီး အတိတ်နဲ့ ပစ္စုပ္ပန်အခြေအနေကို သိရတာတင်မကပဲ အနာဂတ်ကိုပါ ခန့်မှန်းနိုင်ပါတယ်။ Data အမျိုးအစား (၂) မျိုးရှိပါတယ်။ ကိန်းဂဏန်းတွေနဲ့ ရေတွက်လို့ရတဲ့ အသက်၊ ရမှတ်၊ အရပ်အမောင်း၊ အပူချိန်၊ကြာချိန်စတဲ့ Quantitative Data နဲ့ ကိန်းဂဏန်းတွေနဲ့ရေတွက်လို့မရတဲ့ နာမည်တွေ၊ ကျား/မ၊ အရောင်၊ ပညာရည်အဆင့်အတန်းစတဲ့ Qualitative Data ဆိုပြီး (၂) မျိုးရှိပါတယ်။ ရရှိထားတဲ့ Data တွေကို စုစည်းတယ် (Organizing ) ဆိုတာ တာလီချိုးမယ်၊ ရာခိုင်နှုန်းတွေ တွက်တာဖြစ်ပါတယ်၊ အကျဉ်းချုပ်ဖော်ပြတယ် (Summarizing) ဆိုတာကတော့ ပျှမ်းမျှခြင်း (Average or Mean)၊ အကြီးဆုံးကိန်းနဲ့ အငယ်ဆုံးကိန်း (Maximum & Minimum value)၊ အလယ်ကိန်း (Median) နဲ့ ကြိမ်များကိန်း (Mode) စတာတွေ ရှာတာပါဝင်ပါတယ်။ Quantitative Data မှာ Mean, Median, Mode သုံးမျိုးလုံးရှာလို့ရပေမယ့် Qualitative Data မှာတော့ Mode ကိုပဲ သုံးလို့ရပါတယ်၊ Mean ကိုတော့ သင့်လျော်တဲ့အချိန်မှာသာ အသုံးပြုနိုင်ပါတယ်။ Interpretation အပိုင်းကတော့ကြည့်ရှုသူများ အလွယ်တကူကောက်ချက်ချနိုင်ဖို့အတွက် ကျွန်တော်တို့က Graph တွေ၊ Chart တွေနဲ့ ဖော်ပြကြပါတယ်။ အဲ့ကနေမှ Data အချက်အလက်တွေကိုကြည့်ပြီး ကောက်ချက်ချတာတွေ လုပ်ဆောင်ပါတယ်။

#Good_Hope #Knowledge_sharing #Htun_Htun

နိုင်ငံတစ်နိုင်ငံ၏လူဦးရေက အမြဲပြောင်းလဲခြင်းဖြစ်နေတယ်။ ဒီအတိုင်း ရိုးရိုးလေးစဉ်းစားကြည့်ရင် စက္ကန့်တိုင်းမှာ သေတဲ့သူတွေရော မွေးတဲ့သူတွေပါရှိကြတယ်။ ဒီအချက်တွေကြောင့် လူဦးရေပြောင်းလဲတယ်ပေါ့။သေချာစဉ်းစားကြည့်ရင် ပြောင်းလဲသွားတဲ့အချက်တွေအများကြီးရှိတယ်။ အရေအတွက်(size)၊ ကျား/မ ပါဝင်မှုအချိုးအစား(sex ratio)၊ နေထိုင်ရာဒေသပြောင်းလဲခြင်း(distribution) အစရှိသဖြင့်၊ ဒီလို အသေးစိတ်ပြောင်းလဲမှုတွေကို လူဦးရေပညာ(population studies)ကလေ့လာရတယ်။ အပေါ်ကဟာတွေက ပြောင်းလဲသွားတဲ့အချက်တွေ သူတို့ကိုဖြစ်စေတဲ့ အဓိကအကြောင်းအရင်းသုံးချက်က မွေးဖွားခြင်း(fertility)၊ သေဆုံးခြင်း(mortality)၊နှင့် ပြောင်းရွှေ့နေထိုင်ခြင်း (migration) စသည်တို့ဖြစ်တယ်။ Migrationက ပြည်တွင်းပြည်ပပြောင်းရွှေ့နေထိုင်တာကို စဉ်းစားတာဖြစ်တယ်။ နိုင်ငံဖွံ့ဖြိုးတိုးတက်စေရန်အတွက် လူဦးရေပြောင်းလဲမှုဖြစ်စဉ်တွေဟာ အလွန်အရေးကြီးတယ်။ ဒီလိုပြောင်းလဲမှုတွေကို သေချာမှတ်တမ်းတင်မှသာ ဖွံ့ဖြိုးတိုးတက်ဖို့စီမံကိန်းတွေ မူဝါဒတွေ ရေးဆွဲခြင်းမှာ လုံးဝအထောက်အကူပြုမှာဖြစ်တယ်။ ဥပမာအားဖြင့် လူ့စွမ်းအားအရင်းအမြစ်များ ဖွံ့ဖြိုးတိုးတက်စေရန်နှင့် ပြုန်းတီးမှုမဖြစ်စေရန် စနစ်တကျစီမံခန့်ခွဲခြင်း၊ မွေးဖွားမှုသေဆုံးမှုဆိုင်ရာ အချက်အလက်များအား စနစ်တကျဆောင်ရွက်ခြင်း၊ သေဆုံးမှုကိုအဓိကဖြစ်ပေါ်စေသော အကြောင်းအရာများအားရှာဖွေခြင်း၊ ပညာရေးစရိတ်အသုံးပြုခြင်း၊ နိုင်ငံရှိလူငယ်များ အခြားတိုင်းပြည်များ၌ အလုပ်သွားလုပ်စရာမလိုအောင် အလုပ်အကိုင်များဖန်တီးပေးခြင်း၊ တရားမဝင်ရွှေ့ပြောင်းသွားလာသူများ နိုင်ငံထဲဝင်မလာစေရန် ဆောင်ရွက်ခြင်း စသည်တို့အတွက် မှန်ကန်တိကျသော စာရင်းအင်းအချက်အလက်များ (population data) ရှိဖို့ လိုအပ်နေပါတယ်။

#Good_Hope #Knowledge_Sharing #Iris

ဒသမနောက်မှာ ဂဏန်းတွေများတဲ့အခါမှာ ဒသမတွေကို4 လုံးဖြတ်ယူတာရှိသလို 3 လုံးဖြတ် စသည်ဖြင့် မိမိနှင့်အဆင်ပြေမယ့် ဂဏန်းအရေအတွက်ကိုယူကာ တွက်လေ့ရှိကြပါတယ်။ ဥပမာ-

5.86736 အတွက် ဒသမ 4 နေရာ ယူမယ်ဆိုပါစို့။ အဖြေက 5.8674 ရပါလိမ့်မယ်။ ဘာလို့လဲဆိုတော့ နောက်ဆုံး 5 နေရာမြောက်ဂဏန်းက 5 ထက်ကြီးလို့ဖြစ်ပါတယ်။ ပုံမှန်ဆိုလျှင် နောက်ဆုံးဂဏန်းသည် 5 နှင့် 5 ထက်ကြီးပါက ရှေ့ကို 1တိုး၍ယူလေ့ရှိပါတယ်။ ဒါပေမယ့် ဒီလို ဒသမကိန်းတွေကို အနီးစပ်ဆုံးယူရာမှာ နောက်ထပ်စည်းမျဉ်းတစ်ခုရှိပါသေးတယ်။ နောက်ဆုံးဂဏန်းသည် 5 ဖြစ်လျှင် ဒီစည်းမျဉ်းကိုသုံးရပါတယ်။ နောက်ဆုံးဂဏန်း 5 ရဲ့ရှေ့၌ ကိန်းသည် မဂဏန်း (odd) ဖြစ်လျှင် 1 တိုးယူရပြီး စုံဂဏန်း (even) ဖြစ်လျှင် 1 တိုးယူရန်မလိုပါ။

ဥပမာ- 6.34225 ≈ 6.3422

- 6.71935 ≈ 6.7194

( အောက်ကပုံမှာဆိုရင် ပုံမှန်တွက်နည်းနှင့် အမှန်တွက်နည်း ကွာဟချက်မှာ 0.00003 ရှိပြီး ပုံမှန်တွက်နည်းနှင့် အမှားတွက်နည်းကြားကွာဟချက်မှာ 0.00017 ဖြစ်ပါတယ်။ ပုံမှန်တွက်နည်းနှင့် အမှားတွက်နည်းကြားတွင် ဒသမအနည်းငယ်မျှသာ ကွာသော်လည်း လက်တွေ့ဘဝတွင် ကိန်းဂဏန်းများက သန်းပေါင်းများစွာကို ကိုယ်စားပြုတဲ့အတွက် ကွာဟမှုနည်းသော အမှန်တွက်နည်းဖြင့် တွက်စေနိုင်ရန် မျှဝေပေးလိုက်ပါတယ်။)

#Good_Hope #Knowledge_Sharing #Iris

Statistics ဆိုတာဘာလဲ

Statistics ဆိုတာ Data တွေနဲ့ပတ်သတ်ပြီး တွက်ချက်အဖြေထုတ်ရတဲ့ သင်္ချာဆန်တဲ့ Major တစ်ခုဖြစ်တယ် ....

ဘယ်နေရာတွေမှာ သုံးလဲ

— Statistics ကို များသောအားဖြင့် Population( လူဦးရေ ) နဲ့ပတ်သတ်ပြီး ဆုံးဖြတ်ချက်ချတဲ့နေရာ,ခန့်မှန်းတဲ့ နေရာ, ကောက်ချက်ချတဲ့နေရာတွေမှာ သုံးတယ် ! Statistics မှာသုံးတဲ့ Data ဆိုတာ ဘာလဲ

Data = Measurement or Observation

Data မှာ ၂ မျိုးရှိတယ်

- Qualitative Data or Categorical Data

( အလွယ်မှတ်ထားရင်တော့ ကိန်းဂဏန်းနဲ့. ဖော်ပြလို့မရတာတွေပေါ့ Eg- Sex ,Marital Status,Occupation,etc)

- Quantitative Data ( ကိန်းဂဏန်းတွေနဲ့ ဖော်ပြလို့ရတာတွေ Eg- Age,Income,etc ) Statistics ဟာ နေ့စဉ်လူနေမှုဘဝနဲ့မကင်းတာကြောင့် လက်တွေ့အသုံးချန်ုင်တဲ့ မေဂျာတစ်ခုဖြစ်ပါတယ်။ အခုတော့ Statistics ဆိုတာဘာလဲ ဆိုတာ အကျဉ်းချုံးနဲ့ပဲ စထားဦးမယ်နော် နောက်ပိုင်းမှ အကျယ်တဝင့်နဲ့ အသုံးကျမယ့် အရာတွေ အများကြီးပြောပြမယ်

Thank you!

#Good_Hope #Knowledge_Sharing #TTZL

ပျမ်းမျှခြင်း(Average)

ပျမ်းမျှခြင်းဆိုတဲ့ ကိန်းဂဏန်းတစ်လုံးထဲနဲ့ မိမိလေ့လာနေတဲ့ အချက်အလက်(data) အားလုံးကို ကိုယ်စားပြုနိုင်ပါတယ်။ ဥပမာ companyတစ်ခုမှာ အလုပ်လုပ်နေတဲ့ လူတစ်ယောက်ရဲ့ဝင်ငွေကို ပြောပြတဲ့အခါ တစ်ဦးတစ်ယောက်ချင်းစီရဲ့ ဝင်ငွေကို လိုက်ပြောပြမနေဘဲ ဒီ company မှာအလုပ်လုပ်တဲ့သူတိုင်းက ပျမ်းမျှခြင်းအားဖြင့် ဒီလောက်ရပါတယ်ဆိုပြီး ကိန်းဂဏန်းတစ်လုံးထဲကိုအသုံးပြုကာ လွယ်လွယ်ကူကူပြောပြနိုင်ပါတယ်။ ပျမ်းမျှခြင်း (average) ကိုရှာတဲ့အခါ နည်း 4 နည်းကိုအများဆုံးအသုံးပြုကြပါတယ်။

(1) Mean - စုစုပေါင်းကိုတည်ပြီး အရေအတွက်နဲ့စားရင် mean ရပါတယ်။

(2) Median - ကိန်းအားလုံးရဲ့အလယ်ကိန်းကို ရှာရတာဖြစ်တယ်။

(3) Mode - အကြိမ်အများဆုံးပါတဲ့ ဂဏန်းကိုရှာရတာဖြစ်ပါတယ်။

(4) Midrange - အငယ်ဆုံးကိန်းနဲ့ အကြီးဆုံးကိန်းကိုပေါင်းပြီး 2 နဲ့စားရင် midrange ရပါတယ်။

***Mean, Median, Midrange က numerical data မှတွက်လို့ရတာ ဖြစ်ပါတယ်။ Mode တစ်ခုထဲသာလျှင် numerical data ရော categorical data ရော နှစ်ခုလုံးနဲ့ တွက်လို့ရပါတယ်***

#Good_Hope #Knowledge_Sharing #Iris

နိုင်ငံတိုင်းမှာ သန်းခေါင်စာရင်းဟာ လူဦးရေဆိုင်ရာ အချက်အလက်များနဲ့ အိမ်ထောင်စုများ၏ ဝိသေသလက္ခဏာများကို ရရှိနိုင်တဲ့ ရင်းမြစ်တစ်ခုဖြစ်ပါတယ်။ မြန်မာနိုင်ငံမှာ ပထမဦးဆုံး သန်းခေါင်စာရင်းကို ဘီစီ (၅၀၀) ခန့်က တကောင်းဘုရင်မင်းဆက်၊ သတိုးသီဟမဟာဓမ္မရာဇာဘုရင် လက်ထက်မှာ စတင်ကောက်ယူခဲ့ကြောင်း အထောက်အထားတွေအရ သိရပါတယ်။ ကိုလိုနီခေတ်မှာ ကောက်ယူခဲ့တဲ့ ပထမဆုံးသန်းခေါင်စာရင်းကတော့ ၁၈၇၂ ခုနှစ်မှာ အိန္ဒိယသန်းခေါင်စာရင်းရဲ့ အစိတ်အပိုင်းတစ်ရပ်အနေနဲ့ ကောက်ယူခဲ့တာပါ။ ၁၈၈၁ ခုနှစ်ကနေစပြီး ဆယ်နှစ်တကြိမ်ကောက်ယူခဲ့ပါတယ်။ ၁၈၉၁ ကနေ ၁၉၄၁ ခုနှစ်အထိ ဆယ်နှစ်ခြား ကောက်ယူတဲ့ သန်းခေါင်စာရင်းတွေကတော့ တစ်နိုင်ငံလုံး လွှမ်းခြုံအောင် ကောက်ယူနိုင်ခဲ့ပါတယ်။ လွတ်လပ်ရေးရပြီး ပထမဆုံးအကြိမ် ကောက်ယူတဲ့ သန်ခေါင်စာရင်းကိုတော့ (၂) ပိုင်းခွဲပြီး ကောက်ခဲ့ပါတယ်။ ၁၉၅၃ မှာ မြို့ပြဒေသတွေကို ကောက်ယူခဲ့ပြီး ၁၉၅၄ မှာတော့ ကျေးလက်ဒေသတွေရဲ့ ၁၅ ရာခိုင်နှုန်းကိုကောက်ယူခဲ့ပါတယ်။ တစ်နိုင်ငံလုံးအတိုင်းအတာအနေနဲ့ ပြည်လုံးကျွတ်သန်းခေါင်စာရင်းကတော့ ၁၉၇၃ ခုနှစ်နဲ့ ၁၉၈၃ ခုနှစ်တို့မှာ ကောက်ယူနိုင်ခဲ့ပါတယ်။ နောက်ဆုံးကောက်ယူခဲ့တဲ့ သန်းခေါင်စာရင်းကတော့ ၂၀၁၄ ခုနှစ်မှာဖြစ်ပါတယ်။ အောက်ကပုံကတော့ ဆယ်နှစ်ခြားကောက်ခဲ့တဲ့ သန်းခေါင်စာရင်းတွေရဲ့ ခုနှစ်အလိုက် ကောက်ယူခဲ့တဲ့ကောက်ကွက်ဧရိယာ၊ စုစုပေါင်းလူဦးရေနဲ့ လူဦးရေသိပ်သည်းဆတွေကို ဖော်ပြထားပါတယ်။

Reference: www.dop.gov.mm

#Good_Hope #Knowledge_Sharing #Htun_Htun

Research တစ်ခုလုပ်တဲ့အခါမှာ ကိုယ်လိုချင်တဲ့အချက်အလက်တွေကို တခြား sources တွေကရနိုင်သလို လိုအပ်နေတဲ့အချက်အလက်တွေအဆင်အသင့်မဖြစ်သေးရင်လည်း survey ကောက်ပြီး data စုဆောင်းရပါတယ်။ ဒီနေရာမှာ population တစ်ခုလုံးကိုခန့်မှန်းနိုင်ဖို့ sample size လိုပါတယ်။ sample ကို နည်း 4 နည်းနဲ့ကောက်ယူလို့ရပါတယ်။

(1) Simple random sampling

(2) Systematic sampling

(3) Cluster sampling

(4) Stratified sampling

ဒီအပါတ်မှာ ပထမတစ်ခုကိုရှင်းပြချင်ပါတယ်။

(1) Simple random sampling

sample တွေကို population ကနေ random(ကျပန်း) ကောက်ယူခြင်းဖြစ်ပါတယ်။ random ကောက်ယူတဲ့အတွက်ကြောင့် population ထဲမှာပါတဲ့ individual တစ်ခုချင်းစီတိုင်းမှာ same chance ရှိပါတယ်။

- အားသာချက်က ရိုးရိုးရှင်းရှင်းနဲ့ တွက်လို့ရတယ်(Simplicity)

random ကောက်ယူတဲ့အတွက် ဘက်လိုက်မှုမရှိဘူး ( lack of bias)

- အားနည်းချက်က ဒီလို random ကောက်ဖို့ population တစ်ခုလုံးရဲ့ list လိုတယ်။ Large pupulation တစ်ခုလုံးရဲ့ list ရဖို့ဆိုတာ အတော်ခက်ခဲပါတယ်။ အချိန်လည်း ကုန်မယ်။ ကုန်ကျစရိတ်လည်းများပါမယ်။ ဒီလို အကန့်အသတ်လေးတွေတော့ရှိတယ်။

နောက်ရက်တွေမှာ တခြား Sampling တွေအကြောင်း ပြောပြပါမယ်။#Good_Hope #Knowledge_Sharing #Iris

ပထမဆုံး sample ကို random ကောက်ပြီး ကျန်တဲ့ sample တွေကို အကြိမ်မြောက်နည်းလမ်းနဲ့ ကောက်ယူခြင်းဖြစ်ပါတယ်။ ဥပမာ ပထမဆုံး random ကောက်ယူတဲ့ဂဏန်းက 5 ဖြစ်ပြီး အကြိမ်မြောက်ဂဏန်း(or) interval size က 7 ဆိုပါစို့။ ဒါဆိုရင် sample က 5,12,19,26.etc ရပါမယ်။

- အကြိမ်မြောက်ဂဏန်း(k)ကို သိချင်တဲ့အခါ population size ကို sample size နဲ့စားပေးရပါတယ်။

k = N/n

N= 1000, n= 20, k= 50

ဆိုလိုတာက 50 ကြိမ်မြောက်တိုင်းမှာ sample တစ်လုံးကောက်ရပါမယ်။

- ပထမဆုံး sample ကို random ကောက်ယူတဲ့အခါမှာ 1 နဲ့ k ကြားက ဂဏန်းကိုပဲရွှေးရပါမယ်။ k= 50 ဆိုရင် 1 နဲ့ 50 ကြားကရှိတဲ့ ဂဏန်းတစ်လုံးကိုပဲ random ကောက်ပေးရပါမယ်။

small population တွေမှာဆိုရင် simple random က good reult တွေပေးနိုင်ပေမယ့် large population အတွက်ဆိုရင် systematic က ပိုပြီးသင့်တော်ပါတယ်။ systematic က ပိုပြီးလည်းရိုးရှင်းပါတယ်။

Strength - တွက်ရတာရိုးရှင်းတယ်။ နားလည်လွယ်တယ်။

Weakness -(1)

Size of population ကို သိရမယ်။ အတိအကျ မဟုတ်ရင်တောင် ခန့်မှန်းနိုင်ရမယ်။ မသိဘူးဆိုရင် Starting point နဲ့ interval size ရွှေးတဲ့အခါမှာ စနစ်တကျ ရှိမှာမဟုတ်ပါဘူး။

Weakness- (2)

System က ပုံစံမကျတာလည်းရှိနိုင်ပါတယ်။ ဥပမာ ခွေးလေးတွေနဲ့ ခွေးကြီးတွေရှိတယ်။ စုံဂဏန်းတိုင်းမှာ ခွေးလေးတွေထားပြီး မဂဏန်းတိုင်းမှာ ခွေးကြီးတွေထားပါမယ်။ first sample က4th dog ဖြစ်ပြီး interval က 6ဆိုလျှင် ဒီsurvey မှာ ခွေးအကြီးတွေမပါဘဲ ဖြစ်နေပါမယ်။

Weakness-(3)

researcher တွေက လိုချင်တဲ့ result ရဖို့ data တွေကို ပိုပြီး organized ဖြစ်အောင် ပြောင်းလဲတဲ့အခါမှာလည်း risk များနိုင်ပါတယ်။ #Good_Hope #Knowledge_Shaing #Iris

Population ကိုအုပ်စုတွေခွဲပြီး အဲဒီအုပ်စုတစ်ခုချင်းစီကနေ sample ကောက်ယူခြင်းဖြစ်ပါတယ်။ ခွဲလိုက်တဲ့ အုပ်စုတွေကို strata လို့ခေါ်ပါတယ်။ ဥပမာ ရန်ကုန်မြို့အတွက် sample ယူမယ်ဆိုပါစို့။ ရန်ကုန်မြိှု့ကို တောင်ပိုင်း၊ မြောက်ပိုင်း၊ အရှေ့ပိုင်းနဲ့ မြောက်ပိုင်းဆိုပြီး အုပ်စုလေးခု (four strata) ခွဲလိုက်ပါမယ်။ ဒီလေးပိုင်းလုံးကနေ sample ကောက်ယူခြင်းဖြစ်ပါတယ်။

Advantage - population တစ်ခုလုံးကို ကိုယ်စားပြုမယ့် best sample ကိုရနိုင်ပါတယ်။

Disadvantage - stratified ကို every study မှာသုံးလို့မရပါဘူး။Stratified Sampling Vs Simple Random Sampling

Stratified က simple random ထက်ပိုပြီးကောင်းကျိုးတွေရှိပါတယ်။

- တိကျတဲ့ result ရဖို့ simple random sampling က sample 50 ကောက်ရတယ်ဆိုရင် stratified မှာ sample 50 ထိကောက်စရာမလိုပါဘူး။ stratified မှာ sample ကိုလျော့ကောက်လို့လည်းရပါတယ်။

- တကယ်လို့ sample size ချင်းတူရင်တောင် stratified နဲ့တွက်တဲ့ result က ပိုပြီးတိကျပါတယ်။

simple random နဲ့ယှဉ်ရင် stratified ရဲ့အားနည်းချက်က တွက်ချက်ရတာရှုပ်ထွေးခြင်း ဖြစ်ပါတယ်။

Two Types of Stratified Sampling

(1)Proportionate Stratification

(2)Disproportionate Stratification

(1)Proportionate Stratification

အုပ်စုတစ်ခုခြင်းစီ (each stratum) မှာ တူညီတဲ့ sampling fraction ရှိပါတယ်။

***Sampling fraction ဆိုတာက sample မှာပါဝင်ရမယ့် population အချိုးကို ဆိုလိုပါတယ်။ Sampling Fraction ကိုလိုချင်ရင် sample size ကိုတည်ပြီး population size နဲ့စားပေးရပါတယ်(n/N)***

- Proportionate sampling က simple random နဲ့တူညီတဲ့ or simple random ထက်ပိုကောင်းပြီး တိကျတဲ့ အဖြေပေးနိုင်ပါတယ်။

- Strata ထဲမှာရှိတဲ့ value တွေက homogeneous ဖြစ်နေမယ်ဆိုရင် result ရဲ့တိကျမှုက အမြင့်ဆုံးဖြစ်နေပါမယ်။

- အခြားသော survey တွေမှာသုံးရင်လည်း result တွေကို တိတိကျကျရနိုင်ပါတယ်။

(2)Disproprtionate Stratification

အုပ်စုတစ်ခုခြင်းစီ (each stratum) မှာရှိတဲ့ sampling fraction က အုပ်စုတစ်ခုနဲ့တစ်ခုပြောင်းလဲနိုင်ပါတယ်။

- strata တွေကြားမှာရှိတဲ့ variance တွေမတူတဲ့အခါမှာ disproportionate stratification က proportionate statification ထက် ပိုကောင်းတဲ့ result တွေပေးနိုင်ပါတယ်။

- disproportionate stratification က သူ့အတွက်ရည်ရွယ်ထားတဲ့ survey တစ်ခုအတွက်ပဲ တိကျတဲ့အဖြေပေးနိုင်ပါတယ်။ အခြား survey တွေအတွက် မရနိုင်ပါဘူး။****Strata တွေကြားမှာရှိတဲ့ cost နဲ့ variance တူတဲ့အခါ proportionate stratification ကိုသုံးပါ။ အကယ်၍ မတူဘူးဆိုရင် disproportionate stratification ကိုသုံးပါ***

#Good_Hope #Knowledge_Sharing #Iris

Sampling Method တွေထဲက တစ်ခုဖြစ်တဲ့ Cluster Sampling ကို အသုံးပြုတဲ့အခါ Population ကို အုပ်စုတွေခွဲပေးရပါမယ်။ Stratified မှာလို ခွဲလိုက်တဲ့အုပ်စုတစ်ခုချင်းစီကနေ sample မကောက်ဘဲ ခွဲလိုက်တဲ့အုပ်စုတွေကို simple random နည်းနဲ့ အုပ်စုတစ်ချို့ရွေးထုတ်ရပါတယ်။ အဲဒီရွေးခံလိုက်ရတဲ့အုပ်စုတွေက sample ဖြစ်ပါတယ်။

ဥပမာ- population တစ်ခုကို အုပ်စု 4 ခုခွဲလိုက်ပါမယ်။ ခွဲလိုက်တဲ့ အုပ်စု 4 ခုကို random နည်းသုံးပြီး နှစ်ခုရွေးလိုက်ပါမယ်။ group 1 နဲ့ group 4 ကရွေးခံရတယ်ဆိုပါစို့။ ဒါဆိုရင် sample က GP 1 နဲ့ GP 4 ဖြစ်ပါတယ်။

Advantage

- အခြားသော sampling တွေထက် cost သက်သာပါတယ်။

- large population အတွက်လည်း အဆင်ပြေတဲ့နည်းဖြစ်ပါတယ်။Disadvantage

- higher sampling error ဖြစ်နိုင်ပါတယ်။

- တွက်ချက်ရတာရှုပ်ထွေးပါတယ်။

***Cluster Sampling ကို Market research တွေမှာ သုံးလေ့ရှိပါတယ်။***

#Good_Hope #Knowledge_Sharing #Iris

မနေ့က ၆.၄.၂၀၂၀ ရက်စွဲနဲ့ ကျန်မာရေးနှင့်အားကစားဝန်ကြီးဌာနမှ အသက် ၆၀ နှစ်နဲ့အထက် သက်ကြီးရွယ်အိုတွေနဲ့ပတ်သက်ပြီး ကျန်းမာရေးစောင့်ရှောက်တဲ့ ဝန်ထမ်းတွေ လိုက်နာဖို့ နည်းလမ်းတွေ ညွှန်ကြားချက်ထုတ်ထားပါတယ်။ COVID-19 ရောဂါဟာ သက်ကြီးရွယ်အိုတွေနဲ့ အသက် ၁၀ နှင့်အောက်ကလေးတွေမှာ ရောဂါပြင်းထန်နိုင်ပြီး အသက်အန္တရာယ်ရှိနိုင်တာမို့ ဂရုစိုက်ကြဖို့ လိုပါတယ်။ဒါဆို ကျွန်တော်တို့နိုင်ငံမှာ အသက် ၁၀ နှစ်အောက်ကလေးတွေနဲ့ အသက် ၆၀ နှစ်နဲ့အထက် လူကြီးပိုင်းတွေ ဘယ်လောက် အချိုးအစားရှိလဲ ကြည့်ကြရအောင်။ ၂၀၁၄ သန်းခေါင်စာရင်းအရ ၁၀ နှစ်အောက်ကလေးတွေဟာ နိုင်ငံ့စုစုပေါင်းလူဦးရေရဲ့ ၁၈.၄၈% နဲ့ အသက် ၆၀ နှစ်နဲ့အထက်တွေက ၈.၉% ရှိတာတွေ့ရပါတယ်။ အသက်အပိုင်းအခြားနှစ်ခုပေါင်းဟာ နိုင်ငံ့လူဦးရေ ၄ ပုံ ၁ ပုံကျော်ပါတယ်။ ဒါကြောင့် ဒီအသက်အရွယ်တွေမှာ ရောဂါကူးစက်ခဲ့ရင် သေဆုံးနိုင်တဲ့ risk ရှိတဲ့သူပမာဏများပါတယ်။မြန်မာနိုင်ငံမှာ အခုလက်ရှိ COVID-19 ရောဂါပိုးရှိတဲ့သူ ၂၂ ဦးမှာ အသက် ၆၀ နှစ်နဲ့အထက်ရှိသူက ၆ ဦးရှိပြီး ၈ နှစ်အရွယ်ကလေးငယ်တစ်ဦးလည်း ကူးစက်ခံထားရပါတယ်။ ဒီထဲမှာ အသက် ၆၉ နှစ်အရွယ် Case 5 လူနာကတော့ အသက်ဆုံးပါးသွားပြီဖြစ်ပါတယ်။ ဒါကြောင့် မိမိတို့ ချစ်ရတဲ့မိသားစုမှာ ဒီအသက်အရွယ်တွေရှိရင် ဂရုစိုက်ကြပါ၊ တတ်နိုင်သမျှ အိမ်မှာနေခြင်းဖြင့် ကူညီကြဖို့ တိုက်တွန်းလိုက်ပါတယ်။#Good_Hope #Knowledge_Sharing #Htun_Htun