သုတေသနနယ်ပယ်တွင် အသုံးများသော စကားရပ်အချို့

Hypothesis

မိမိသိလိုတဲ့အရာ၊သက်သေပြလိုတဲ့အချက်ကို ကြိုတင်သတ်မှတ်ထားရှိတာမျိုးကို hypothesis  လို့အလွယ် သတ်မှတ်လို့ရပါတယ်။ ဥပမာ။ ဆေးလိပ်နှင့်ကင်ဆာဟာ ဆက်စပ်မှုရှိတယ်လို့ သုတေသီက သက်သေပြချင်တယ်။ ဒါဆိုရင် အဲ့ဒါက သူ့ရဲ့ ပင်မ hypothesis ဖြစ်ပါတယ်။ သူ့ရဲ့ဆန့်ကျင်ဘက် ဆက်စပ်မှုမရှိဘူးဆိုတာကိုတော့ Null hypothesis လို့ခေါ်ပါတယ်။ သုတေသီရဲ့ သက်သေပြနိုင်စွမ်းကိုမူတည်ပြီး hypothesis ကို အကြမ်းအားဖြင့် ၇မျိုးခွဲခြားနိုင်ပါတယ်။ Null, Alternative, Simple, Complex, causal, empirical နှင့် statistical ဆိုပြီးခွဲနိုင်ပါတယ်။

နောက်တစ်ခုကတော့ Randomization ဖြစ်ပါတယ်။

ကျွန်တော်တို့ဟာ လူအားလုံးကိုလိုက်ပြီး သုတေသနမပြုနိုင်ပါဘူး။ ဒါကြောင့် ကျွန်တော်တို့သုတေသနကို သက်သေပြနိုင်မဲ့ လူအစုအဖွဲ့တစ်ခုကိုပဲ လေ့လာစမ်းစစ်မှုပြုနိုင်ပါတယ်။ ဒါကို sample population လို့ခေါ်ပါတယ်။ ဒီလို လူနည်းစုကို ရွေးချယ်လုပ်ကိုင်ရတော့မှာဖြစ်တဲ့အတွက် ဘက်လိုက်မှု (Bias)တွေ ပါဝင်လာနိုင်ပါတယ်။ ဒါဆိုရင် သုတေသနအဖြေတွေဟာ လွဲမှားသွားနိုင်ပါတယ်။ ဒါကို ရှောင်လွှဲနိုင်ဖို့အတွက် randomization ဆိုတာကို မဖြစ်မနေပြုလုပ်ကြရပါတယ်။ မဲနှိုက်ရွေးချယ်မှုမျိုး၊ ခေါင်းပန်းလှန်ခြင်းမျိုးကို Randomization လို့ အလွယ်ပြောလို့ရပါတယ်။ သုတေသနပြုလုပ်ရာမှာတော့ အကြမ်းဖျဉ်းအားဖြင့် simple, block, Stratified, cluster နှင့် covariate ဆိုပြီး လုပ်လေ့ရှိပါတယ်။

Bias (ဘက်လိုက်ခြင်း)

ဒီနေရာမှာတော့ စိတ်ပညာဆိုင်ရာ ဘက်လိုက်ခြင်းနှင့် သုတေသနဆိုင်ရာ ဘက်လိုက်ခြင်း သိပ်ပြီးမတူပါဘူး။ သုတေသနဆိုင်ရာဘက်လိုက်ခြင်းဆိုတာကတော့ သုတေသီကြောင့်ဖြစ်စေ၊ လေ့လာစမ်းစစ်မှုနည်းလမ်းကြောင့်ဖြစ်စေ၊ ဖြေကြားသူတွေရဲ့အတွေ့အကြုံကြောင့်ဖြစ်စေ၊ ထုတ်ဝေမှုကြောင့်ဖြစ်စေ ဘက်လိုက်မှုတွေ ရှိနေနိုင်ပါတယ်။ အလွယ်အားဖြင့် သုတေသနဘက်လိုက်ခြင်း bias in research ကို လေးမျိုးခွဲပါတယ်။ selection bias ဆိုတာကတော့ မိမိလေ့လာမဲ့အုပ်စုကို မိမိလိုချင်တဲ့အဖြေရဖို့ ရွေးပြစ်တာမျိုးပေါ့။ ဥပမာအားဖြင့် လုပ်ခလစာသည် လူမှုဘဝအသက်ရှင်ရပ်တည်ရေးအတွက် အရေးပါသည် ဆိုတဲ့သုတေသန ကို စီးပွားရေးလုပ်ငန်းရှင်တွေ၊ သူဌေးသူကြွယ်တွေ၊ ပွဲစားတွေကို ရွေးပြီး မေးတာမျိုးပေါ့။ သူတို့အတွက် လုပ်ခလစာဆိုတာက မိသားစုစားဝတ်နေရေးအတွက် သိပ်အရေးမကြီးဘူးလေ။ ကိုယ်က လစာမတိုးလည်း အဆင်ပြေတယ်လို့ လိုချင်တဲ့အတွက် ရွေးချယ်မှုကိုကန့်သတ်ပြစ်တာ။ တကယ်တမ်း အခြေခံလစာနှင့်ရပ်တည်နေသူတွေကိုမေးရင် အဖြေကတမျိုးဖြစ်မှာပါ။ ဒါကြောင့် သုတေသနတွေ့ရှိချက်ဆိုတိုင်း မျက်စိမှိတ်ပြီးလက်ခံလို့မရပါဘူး။ နောက်တစ်ခုက Measurement bias ပေါ့။ ဒါကတော့ သုတေသီက ကြိုပြီး variable တွေကို မိမိလိုတဲ့အထိပဲရောက်အောင် ကြိုပြီးသတ်မှတ်ပြစ်တာမျိုးပါ။ ဥပမာ လစာ ဆိုတဲ့နေရာမှာ အနည်းဆုံး ငါးသိန်းကစမယ်ဆိုပါစို့။ ဒါဆိုရင် လစာမလောက်ဘူးဆိုတဲ့ သူကနည်းနည်းလေးပဲဖြစ်သွားမှာပါ။ ဒါမျိုးကို သိလျှက်လုပ်တာဖြစ်နိုင်သလို မသိဘဲတိုင်းတာမိတာမျိုးလည်း ဖြစ်နိုင်ပါတယ်။ နောက်တစ်ခုကတော့ Publication Bias ပေါ့။ သူကတော့ ကိုယ့်အတွက်၊အဖွဲ့အစည်းအတွက်၊နိုင်ငံအတွက် ကောင်းမယ်ထင်မှ ထုတ်ပြန်တာမျိုးပေါ့။ ဒါက အကြမ်းဖျဉ်းရေးတာပါ။ အကျယ်တော့ အများကြီးပါ။ နောက်တစ်ခုကတော့ confirmation Bias ဖြစ်ပါတယ်။ ဒါကလည်း selection bias လိုမျိုးပါပဲ။ ကိုယ်သက်သေပြချင်တဲ့အကြောင်းကို မှန်ကြောင်းသက်သေပြဖို့ ရည်ရွယ်ပြီးလုပ်တဲ့သုတေသနမျိုးပါ။ ဒါတွေက အကြမ်းဖျဉ်းပါဗျ။ ဒီထက်အသေးစိတ်တဲ့ Information bias, Interviewer bias, Researcher bias, Response bias, Recall Bias, Cognitive bias တွေလည်း ရှိပါသေးတယ်။

Generalization

ဒီစကားစုဟာလည်း သုတေသနနယ်ပယ်မှာ အရေးပါပါတယ်။ မိမိတို့လုပ်လိုက်တဲ့ သုတေသနဟာ တကယ်ရော လူတွေကိုကိုယ်စားပြုနိုင်သလားပေါ့။ ဘာကြောင့်လဲဆိုတော့ ကိုယ်လုပ်တဲ့သုတေသနက လုပ်သားအင်အား ၁၅၀ကိုလုပ်တယ်။ အမှန်တကယ် လုပ်သားအင်အားက ၁၅၀၀၀ ရှိတယ်ဆိုပါစို့။ ဒီ ၁၅၀ ကိုလေ့လာစမ်းစစ်လိုက်တဲ့ ရလာဒ်က အရှိတရား ၁၅၀၀၀ ကိုကိုယ်စားပြုသလားပေါ့။ တကယ်လို့ လုပ်သား ၁၅၀၀၀ အပေါ်မှာတော့ မမှန်နိုင်တော့ပါဘူးဆိုရင်တော့ ဒါကို generalization effect နည်းတယ်လို့သတ်မှတ်ရပါတယ်။ သုတေသနအဖြေဟာ လေ့လာစမ်းစစ်ထားတဲ့ လူ၁၅၀ အတွက်ပဲ သက်ဆိုင်ပါတယ်။ ဒါမျိုးကိုတော့ observe အဖြစ်ပဲ သတ်မှတ်ရတော့မှာဖြစ်ပါတယ်။ generalization ကောင်းဖို့ဆိုရင် ကျွန်တော်တို့အနေနှင့် sample size ကို လုံလောက်တဲ့ပမာဏအထိ တိုးရပါမယ်။ နောက်တစ်ခုက သုတေသနပြုချင်တဲ့ population ကိုအမှန်တကယ်သက်သေပြနိုင်တဲ့ sample population ကိုယူရပါမယ်။နောက်တစ်ခုကတော့ external validity ကောင်းအောင်လုပ်ရပါမယ်။ randomization ပြုလုပ်ရပါမယ်။ ဒါကြောင့် သုတေသနလို့ပြောလိုက်တာနဲ့ ဘယ် populationလည်း၊ ဘယ် industry လဲ၊ ဘာ title လဲ၊ ဘာ method လဲ ဆိုပြီးမေးလေ့ရှိပါတယ်။ စာတမ်းတစ်စောင် ဘွဲ့ရဖို့ရေးတာဟာ သုတေသနလို့ခေါင်းစဉ်တပ်လို့မရပါဘူး။ တပ်ချင်ရင်လည်း တပ်လို့ရပါတယ်။ Applied တော့မဖြစ်ဘူးပေါ့။

Confounder

ဒါကလည်း သုတေသီတွေ ဂရုစိုက်ရတဲ့ အချက်ဖြစ်ပါတယ်။ ကျွန်တော်တို့အနေနှင့် အကြောင်းနှင့်အကျိုးဆက်စပ်မှုတွေကို စဉ်းစားလေ့လာကြတဲ့အခါမှာ ကြားက သတိလွတ်သွားတဲ့ ဆက်နွယ်မှု ပြင်ပလွှမ်းမိုးမှုတွေကို ဂရုပြုရပါမယ်။ တခါတရံမှာ အကြောင်းကြောင့် အကျိုးဖြစ်ပါတယ်လို့ စာရင်းအင်းပညာအရ သက်သေပြနိုင်ပေမဲ့ (Statistically significant) လက်တွေ့ဘဝမှာ  confounder တွေဖြစ်နေတတ်ပါတယ်။ ဥပမာအားဖြင့် ပင်လယ်ကမ်းခြေတွင် အုန်းရေသောက်လျှင် အသားမဲလိမ့်မယ်။ နေလောင်လိမ့်မယ် လို့ သုတေသနကောက်ချက်ပြုကြမယ်ဆိုပါစို့။ ကျွန်တော်တို့အနေနှင့် independent variable သီးခြားဖြစ်တည်မှု (အကြောင်း) ကို အုန်းရေအဖြစ်ထားမယ်။ နေလောင်ခြင်းကို dependent variable လွှမ်းမိုးခံဖြစ်တည်မှု (အကျိုး) အဖြစ်ထားမယ်ဆိုပါစို့။ သေချာပေါက် association ခေါ်တဲ့ ဆက်စပ်မှုရှိမှာပါ။ တကယ်တော့ ကျွန်တော်တို့မေ့သွားတာက ပူပြင်းလွန်းတဲ့ အရိပ်ကင်းမဲ့တဲ့ နေရောင်နှင့် လေ ကိုဖြစ်ပါတယ်။ ပင်လယ်ကမ်းစပ်မှာ ပူတော့ အုန််းရေသောက်ကြတယ်။ ထို့အတူ ရေဆင်းချိုးတော့ အဝတ်ပါးပါးလေးတွေဝတ်ကြတယ်။ ဒါတွေဟာ confounder တွေဖြစ်ပါတယ်။ စာရင်းအင်းပညာအရ အုန်းရေသောက်ခြင်းနှင့် နေလောင်ခြင်းဟာ ဆက်စပ်နေသော်ငြားလည်း ဒါဟာ သုတေသနအဖြေစစ်စစ် မဟုတ်ပါဘူး။ ဒါက မြင်သာတဲ့ သုတေသနပါ။ မမြင်သာတဲ့သုတေသနပေါင်းများစွာကို ကျွန်တော်တို့ အမှန်ထင်ခဲ့ဖူးတာလည်း ရှိနိုင်ပါတယ်။