Research Aptitude Book | Free Notes

Research Aptitude | Part-2

अनुसंधान के चरण
अनुसंधान की प्रक्रिया/चरण

चरण 1: अनुसंधान समस्या और उद्देश्यों का निरूपण

अनुसंधान समस्या का चयन शोधकर्ता की रुचि और योग्यता, अध्ययन की प्रासंगिकता और प्रबंधनीयता/प्राप्यता, डेटा की उपलब्धता और इसमें शामिल नैतिक मुद्दों के आधार पर किया जाता है।

शोधकर्ता एक व्यापक क्षेत्र पर ध्यान केंद्रित करता है जो उनकी रुचि पैदा करता है और इसके उपक्षेत्रों को अलग करते हुए, एक फोकस क्षेत्र का चयन करता है जिस पर वे शोध करना चाहते हैं।

फिर वे ओ समस्याओं/अंतरालों की पहचान करने के लिए चयनित क्षेत्र को स्कैन करते हैं।
फिर वे उन सभी प्रश्नों की सूची बनाते हैं जिनके उत्तर वे खोजना चाहते हैं।

उन शोध प्रश्नों से, वे उन सामान्य और विशिष्ट उद्देश्यों को तैयार करते हैं जिनके लिए उन्हें शोध करना है (अनुसंधान के प्रस्तावित लाभों का उल्लेख करते हुए)
फिर वे शोध प्रश्नों और संबंधित उद्देश्यों को एक प्राप्य लक्ष्य तक सीमित कर देते हैं और अपनी शोध समस्या तैयार करते हैं।

शोधकर्ता आमतौर पर इस स्तर पर ही उस विशिष्ट आबादी की भी पहचान कर लेते हैं, जिस पर वे शोध करेंगे, ताकि बाद में उपयुक्त विषयों/उत्तरदाताओं का चयन किया जा सके।

चरण 2: आलोचनात्मक साहित्य समीक्षा

एक साहित्य समीक्षा में पुस्तकों, पत्रिकाओं, विद्वतापूर्ण लेखों और शोध विचार से संबंधित जानकारी के अन्य सभी स्रोतों का सर्वेक्षण और स्कैनिंग शामिल होती है ताकि थीसिस/पेपर में यह जान सकें और समझा सकें कि साहित्य सर्वेक्षण शोध प्रश्न से कैसे संबंधित है और कैसे शोध अध्ययन के एक बड़े क्षेत्र में फिट बैठता है।

5. यह प्रमुख बहसों सहित क्षेत्र की सूचित प्रगति का पता लगाता है और मौजूदा कमियों की पहचान और नए/अतिरिक्त अनुसंधान के साथ उन्हें भरने के प्रस्ताव के साथ समाप्त होता है। 6. यह प्रयास के दोहराव को रोकने के लिए पूर्व छात्रवृत्ति के क्षेत्रों की पहचान करता है।

चरण 3: परिकल्पना का निरूपण

एक परिकल्पना किसी विशिष्ट स्थिति/घटना/घटना के लिए एक ठोस सत्यापन योग्य भविष्यवाणी है। यह अपर्याप्त साक्ष्यों पर तैयार किया गया एक अनुमान या सिद्धांत है जिसे प्रयोग/सत्यापन/परीक्षण के लिए लिया जाता है ताकि सही या गलत साबित किया जा सके। इसका निर्माण अपेक्षित परिणामों के एक बयान के रूप में किया गया है जो अनुभवजन्य/मात्रात्मक अनुसंधान में खोजपूर्ण उद्देश्य को पूरा करता है; गुणात्मक अनुसंधान में एक वैचारिक ढांचा प्रदान करता है; और उन समस्याओं के समाधान के लिए दिशानिर्देश सुझाता है जो व्यावहारिक अनुसंधान में अभी भी प्रारंभिक चरण में हैं। एक परिकल्पना का उद्देश्य एक प्रयोग में स्वतंत्र चर (कारण) के बीच संबंध को परिभाषित करना है जिसे नियंत्रित/हेरफेर किया जा सकता है; और आश्रित चर जो पूर्व द्वारा प्रभावित औसत दर्जे का परिणाम है।

परिकल्पना के लक्षण:

1. यह बहुत विशिष्ट होना चाहिए, जिसका अर्थ है कि अवधारणाओं को स्पष्ट रूप से परिभाषित किया जाना चाहिए ताकि अनुभवजन्य साक्ष्य का गठन क्या होगा या वास्तविकता के स्तर पर अवधारणा को क्या इंगित करेगा, इसके बारे में कोई अस्पष्टता नहीं रहनी चाहिए।

2. यह सिद्धांत के एक समूह के लिए प्रासंगिक/संबंधित/उन्मुख होना चाहिए जिसे अनुसंधान द्वारा सत्यापित, समर्थित, सही या खंडित किया जा सके। दूसरे शब्दों में, इसे परिकल्पना के परीक्षण के सैद्धांतिक तर्क या सैद्धांतिक लाभ की व्याख्या करनी चाहिए।

3. यह अनुभवजन्य रूप से परीक्षण योग्य होना चाहिए, जिसका अर्थ है, यह तार्किक कटौती // अनुमान को सक्षम करना चाहिए जिसे क्षेत्र में अवलोकन द्वारा परीक्षण किया जा सकता है।

4. यह किसी परिणाम की भविष्यवाणी करने में सक्षम होना चाहिए।

(प्रयोगात्मक, सर्वेक्षण, सहसंबंध, अर्ध-प्रयोगात्मक, समीक्षा, आदि) अनुसंधान का। इसमें शोध के उद्देश्यों के साथ-साथ इससे होने वाले लाभों को भी सूचीबद्ध किया गया है। यह चरों के बीच सहसंबंध की रूपरेखा देता है और निर्दिष्ट करता है कि कौन से नमूने के तरीकों और नमूना आकार का उपयोग किया जाएगा; किस प्रकार का डेटा एकत्र किया जाएगा, किन स्रोतों से या किन उपकरणों/उपकरणों का उपयोग करके; और, डेटा विश्लेषण के कौन से आँकड़े और तकनीकें नियोजित की जाएंगी। साथ ही, यह बताता है कि इन सभी विशिष्टताओं को दूसरों की तुलना में क्यों चुना गया है। यह शोध के प्रत्येक चरण के लिए उपलब्ध समय और इसमें शामिल लागत के बारे में भी जानकारी देता है। शोध डिज़ाइन का नाम आमतौर पर किए गए शोध के प्रकार से मेल खाता है।

अनुसंधान डिजाइन के लक्षण

खोज डिज़ाइन के अलावा: अनुसंधान डिज़ाइन की चार प्रमुख विशेषताएँ हैं:

तटस्थता: एक शोध डिजाइन में अनुमानित परिणाम किसी भी पूर्वाग्रह से मुक्त होना चाहिए।

विश्वसनीयता: यदि कोई विशेष शोध नियमित आधार पर किया जाता है, तो उसे हर बार समान परिणाम देने चाहिए। तभी यह विश्वसनीय होगा. इसलिए, एक शोध डिज़ाइन को यह सूचित करना चाहिए कि शोध प्रश्न कैसे प्राप्त परिणामों की स्थिरता और इसलिए विश्वसनीयता सुनिश्चित करेंगे।

वैधता: अनुसंधान डिज़ाइन में यह दर्शाया जाना चाहिए कि वैध परिणाम देने के लिए अनुसंधान उपकरण/उपकरण, जैसे, प्रश्नावली, कैसे विकसित किया जाएगा।

सामान्यीकरण: शोध एक सामान्यीकृत परिणाम/निष्कर्ष देने में सक्षम होगा।

चरण 5: नमूना डिज़ाइन का निर्धारण

नमूनाकरण से तात्पर्य किसी अध्ययन के लिए कुछ जनसंख्या/विषयों का नमूना (संपूर्ण का प्रतिनिधि भाग) लेना है। शोधकर्ता किसी जनसंख्या या रुचि के ब्रह्मांड के चयनित नमूने के सर्वेक्षण के माध्यम से अपने अध्ययन से संबंधित जानकारी/डेटा प्राप्त करना चाहते हैं।

नमूना डिज़ाइन: यह की रूपरेखा या रोड मैप है
नमूनाकरण की प्रस्तावित प्रक्रिया, यानी, एक सर्वेक्षण नमूना का चयन, और जांच/अवलोकन के कई अन्य महत्वपूर्ण पहलुओं पर असर डालती है। सैंपलिंग डिज़ाइन सैंपलिंग के तीन पहलुओं का वर्णन करता है- फ्रेम, आकार और तकनीक/विधि जो यादृच्छिक या गैर-यादृच्छिक चयन के आधार पर सैंपलिंग के लिए नियोजित की जाएगी।

नमूनाकरण तकनीक/तरीके:
नमूनाकरण तकनीक प्रत्येक व्यक्ति के चयन की संभावना या गैर-संभावना पर आधारित हो सकती है

I. गैर-संभाव्यता नमूनाकरण- जनसंख्या के सभी व्यक्तियों को चुने जाने की समान संभावना नहीं देता है।

ऐसी कुछ तकनीकें इस प्रकार हैं:
सुविधाजनक नमूनाकरण- ऐसे नमूनों का चयन करना जो शोधकर्ता के लिए सुलभ हों या एकत्र करने में आसान हों।

लगातार नमूनाकरण- सभी सुलभ विषयों का चयन करना, जिससे नमूना पूरी आबादी का बेहतर प्रतिनिधित्व कर सके।

निर्णयात्मक नमूनाकरण या उद्देश्यपूर्ण नमूनाकरण-इस विश्वास के साथ चयन करना कि कुछ विषय इस उद्देश्य के लिए अन्य व्यक्तियों की तुलना में अधिक उपयुक्त हैं।

स्नोबॉल नमूनाकरण- एक ऐसे विषय का चयन करना जिसे अनुसंधान मानदंडों को पूरा करने वाले किसी अन्य संभावित विषय की पहचान करने के लिए कहा जाता है (स्नोबॉल नमूना शायद ही जनसंख्या का प्रतिनिधि हो)।

कोटा नमूनाकरण- ऐसे नमूने का चयन करना जो किसी दिए गए नमूना आकार के लिए कोटा के आधार के रूप में माने जाने वाले प्रति गुण विषयों का समान या आनुपातिक प्रतिनिधित्व सुनिश्चित करता है।

आयामी नमूनाकरण (कोटा नमूनाकरण का विस्तार)-
शोधकर्ता कई विशेषताओं को ध्यान में रखता है
(जैसे लिंग, आय, निवास और शिक्षा) और सुनिश्चित करता है
कि अध्ययन में कम से कम एक व्यक्ति प्रतिनिधित्व कर रहा है
चुनी गई प्रत्येक विशेषता.

द्वितीय. दूसरी ओर, संभाव्यता/नमूनाकरण- कुछ प्रकार की यादृच्छिक चयन पद्धति का उपयोग करता है जो यह सुनिश्चित करता है कि जनसंख्या में विभिन्न इकाइयों के चुने जाने की समान संभावनाएँ हैं। ये हैं:

सरल यादृच्छिक नमूनाकरण- बहुत सारी चीज़ों में से एक नाम निकालना, या यादृच्छिक संख्याएँ उत्पन्न करने के लिए कंप्यूटर का उपयोग करना। विभक्त हो गया

यादृच्छिक नमूनाकरण- छोटे समूह से यादृच्छिक रूप से चयन करना
एक बड़ी आबादी के विभाजन जो आमतौर पर ओवरलैप नहीं होते बल्कि पूरी आबादी का एक साथ प्रतिनिधित्व करते हैं।

क्लस्टर यादृच्छिक नमूनाकरण- यादृच्छिक रूप से चयन करना
चयनित क्षेत्रों (अर्थात शहर या काउंटी) के प्रतिभागी, जब वे भौगोलिक रूप से फैले हुए हों।

व्यवस्थित नमूनाकरण- बेतरतीब ढंग से प्रत्येक “एनवें” का चयन करना
एक यादृच्छिक प्रारंभिक बिंदु और एक निश्चित आवधिक अंतराल के अनुसार व्यक्ति को नमूने का हिस्सा बनना होगा।

शोध प्रस्ताव लिखना

एक बार जब अनुसंधान डिजाइन और नमूना डिजाइन को अंतिम रूप दे दिया जाता है, तो शोधकर्ता के लिए अनुसंधान प्रस्ताव लिखने और प्रस्तुत करने का समय आ जाता है। यह एक दस्तावेज़ है जो संबंधित लोगों को प्रस्तावित अध्ययन की विशिष्टताओं के बारे में सूचित करता है। इसे अकादमिक डिग्री (एमए शोध प्रबंध या पीएचडी थीसिस) प्राप्त करने के उद्देश्य से लिखा जा सकता है; अनुसंधान परियोजना के लिए धन की मांग करना; या कॉर्पोरेट घरानों के लिए बाज़ार अनुसंधान करना।

एक शोध प्रस्ताव संपुटित है
• अध्ययन की आवश्यकता/मौजूदा ज्ञान में अंतर को संबोधित किया जाएगा
• अध्ययन का समय और दायरा
• अध्ययन के लाभों और लाभार्थियों की सूची
• डेटा के प्रकार, डेटा संग्रह और डेटा विश्लेषण के तरीके

• सहायता/सुविधाएं और धनराशि मांगी गई
अनुसंधान अध्ययन और अनुसंधान के प्रस्तावकों की प्रोफ़ाइल और प्रमाण-पत्र

• नैतिक मुद्दों के समाधान का आश्वासन

चरण 6: डेटा संग्रहण उपकरण विकसित करना और डेटा एकत्र करना

एक शोध अध्ययन में डेटा का उद्देश्य:

डेटा संग्रह अनुसंधान प्रक्रिया का एक प्रमुख हिस्सा है। किसी भी शोध अध्ययन में डेटा निम्नलिखित उद्देश्यों के लिए एकत्र किया जाता है:

1. परिकल्पना/अनुमानित परिणाम में चरों के बारे में सत्यापन योग्य/परीक्षण योग्य तथ्यों का प्रतिनिधित्व करना

2. पूर्वानुमानित परिणाम के साथ स्थिरता निर्धारित करने के लिए विश्लेषण किया जाना

3. यदि अनुमानित परिणाम के साथ स्थिरता स्थापित हो तो शून्य परिकल्पना के समर्थन को सक्षम करना

4. पूर्वानुमानित परिणाम के अनुरूप न होने पर परिकल्पना को अस्वीकार करने में सक्षम बनाना

1. सांख्यिकीय माप तराजू
सांख्यिकीय डेटा को निम्नलिखित चार पैमानों में से किसी पर मापा जा सकता है: नाममात्र, क्रमिक, अंतराल या अनुपात।

1. नाममात्र पैमाना संख्या प्रतीकों को निर्दिष्ट करके घटनाओं के नामकरण या लेबलिंग की प्रणाली है। खेलने वाली टीम के सदस्यों को नाममात्र पैमाने पर नाम/पहचान करने के लिए यादृच्छिक संख्याएँ सौंपी जाती हैं। ऐसी संख्याओं का कोई मात्रात्मक मूल्य नहीं होता है और इन्हें जोड़ा, घटाया, गुणा या विभाजित नहीं किया जा सकता है। न ही उनकी तुलना की जा सकती है या औसत, माध्य, मोड आदि की गणना के लिए उपयोग किया जा सकता है। नाममात्र पैमाने के साथ एकमात्र संभावित अंकगणितीय ऑपरेशन एक समूह में सदस्यों की गिनती है। इस प्रकार, नाममात्र डेटा गिना गया डेटा है।

2. क्रमसूचक पैमाना घटनाओं/वस्तुओं को एक क्रम में रखता है और इसका उपयोग गुणात्मक घटनाओं से संबंधित अनुसंधान में किया जाता है। उदाहरण के लिए, किसी विशेष ग्रेड में छात्र की रैंक एक क्रमसूचक पैमाने का उपयोग करके निर्धारित की जाती है। क्रमसूचक पैमाने केवल वस्तुओं को एक चरम से दूसरे तक रैंक करते हैं और क्रमवाचक मापों का कोई पूर्ण मान नहीं होता है। इसलिए, आसन्न रैंकों के जोड़े के बीच वास्तविक अंतर बराबर नहीं हो सकता है।

3. अंतराल पैमाने में कुछ मानदंडों के अनुसार अंतराल निर्धारित किए गए हैं जिन्हें इकाइयों को समान/तुलनीय बनाने के लिए आधार के रूप में स्थापित किया गया है। वास्तव में, इकाइयाँ केवल उन मान्यताओं के आधार पर समान होती हैं जिन पर नियम आधारित है। अंतराल पैमानों में एक मनमाना शून्य हो सकता है, लेकिन पूर्ण शून्य नहीं।

4. अनुपात पैमाने में माप का पूर्ण शून्य होता है, हालाँकि यह बहुत सटीक नहीं हो सकता है। लंबाई और समय का पूर्ण शून्य बोधगम्य है। उदाहरण के लिए, मीटर स्केल पर शून्य का निशान लंबाई/चौड़ाई/ऊंचाई की पूर्ण अनुपस्थिति को इंगित करता है। मासिक उपस्थिति पत्रक में अनुपस्थित अंकों की संख्या, पांडुलिपि में मुद्रण संबंधी त्रुटियों की संख्या आदि को अनुपात पैमाने पर दर्शाया जा सकता है। इनमें से प्रत्येक माप का एक पूर्ण शून्य है; और सभी टाइपो त्रुटियों और सभी ‘अनुपस्थित’ चिह्नों को महत्व में समान माना जा सकता है।

2. स्व रेटिंग स्केल

स्व-रेटिंग पैमानों में सर्वेक्षण प्रश्न शामिल होते हैं जो दो चरम दृष्टिकोणों के बीच कई उत्तर विकल्प प्रदान करते हैं, उदाहरण के लिए, ‘पूरी तरह से सहमत’ से ‘बिल्कुल सहमत नहीं’ तक; या ‘अत्यंत संभावना’ से ‘बिल्कुल भी संभावना नहीं’ तक। इनमें आम तौर पर एक मध्यम माध्यिका या एक तटस्थ मध्यबिंदु शामिल होता है। टी होपपेंडिंग शोधकर्ता अपने शोध अध्ययन की प्रकृति और आवश्यकता के आधार पर अलग-अलग रेटिंग स्केल चुनते हैं।

शोधकर्ताओं द्वारा उपयोग किए जाने वाले स्व-रेटिंग पैमाने निम्नलिखित हैं।

1. ग्राफिक रेटिंग स्केल
2. मदबद्ध रेटिंग स्केल (6 प्रकार)

•  लाइकेर्ट स्केल
•  सिमेंटिक डिफरेंशियल/थर्स्टन स्केल
•  स्टेपेल स्केल
•  बहुआयामी स्केलिंग
•  गुटमैन स्केल/स्केलोग्राम स्केल

मात्रात्मक डेटा एकत्र करने की विधियाँ

मात्रात्मक डेटा का मूल्य संख्याओं के रूप में होता है। प्रत्येक डेटासेट मात्रात्मक जानकारी है जिसमें एक अद्वितीय संख्यात्मक मान जुड़ा होता है। यह मात्रा/संख्या सत्यापन योग्य है और इसका उपयोग गणितीय/सांख्यिकीय गणना और विश्लेषण के लिए किया जा सकता है, जिसके आधार पर शोध प्रश्नों का उत्तर दिया जा सकता है और वास्तविक जीवन के निर्णय लिए जा सकते हैं।

मात्रात्मक डेटा के साथ विभिन्न मापदंडों को मापना सुविधाजनक और नियंत्रणीय है क्योंकि गणितीय व्युत्पत्ति आसानी से की जा सकती है। मात्रात्मक डेटा आमतौर पर जनसंख्या के चयनित नमूना अनुभाग पर प्रशासित प्रयोगों, सर्वेक्षणों, सर्वेक्षणों या प्रश्नावली का उपयोग करके सांख्यिकीय विश्लेषण के लिए एकत्र किया जाता है। परिणाम संपूर्ण जनसंख्या पर लागू/सामान्यीकरण योग्य होने चाहिए।

मात्रात्मक डेटा के प्रकार
1. संस्थाओं के साथ समतुल्य संख्या गणना
2. वस्तुओं/संस्थाओं का भौतिक माप।
3. मापदंडों के संवेदी माप (जैसे, विद्युत चुम्बकीय जानकारी) को संख्यात्मक डेटा में परिवर्तित करना।
4. एल्गोरिदम और अन्य गणितीय विश्लेषण उपकरणों का उपयोग करके डेटा का भविष्य का प्रक्षेपण।

V. संख्यात्मक पैमानों पर गुणात्मक संस्थाओं का परिमाणीकरण

मात्रात्मक डेटा के लाभ

1. गहन शोध की अनुमति देता है क्योंकि मात्रात्मक डेटा का सांख्यिकीय विश्लेषण किया जा सकता है।
2. मात्रात्मक डेटा की संख्यात्मक प्रकृति व्यक्तिगत पूर्वाग्रह को कम करती है।
3. परिणाम अत्यंत सटीक होते हैं क्योंकि प्राप्त किए गए डेटा वस्तुनिष्ठ प्रकृति के होते हैं।

मात्रात्मक डेटा के नुकसान

1. निष्कर्ष निकालना कठिन है क्योंकि मात्रात्मक डेटा वर्णनात्मक नहीं है और प्रतिबंधित जानकारी देता है।
2. चूंकि यह चयनित प्रश्नों के प्रकार पर निर्भर करता है, इसलिए इसके परिणामों में शोधकर्ता के पूर्वाग्रह की संभावना रहती है। इसलिए, शोधकर्ता को शोध के उद्देश्य के अनुरूप ही प्रश्न तैयार करने चाहिए।

गुणात्मक डेटा एकत्र करने की विधियाँ

गुणात्मक डेटा में मात्रात्मक डेटा के विपरीत किसी वस्तु या वस्तुओं के समूह के लक्षणों की परिभाषा में संख्याएँ शामिल नहीं होती हैं।

गुणात्मक अनुसंधान के लिए डेटा संग्रह में आमतौर पर व्यक्तिगत उत्तरदाताओं/विषयों के साथ एक-से-एक आधार पर या समूह सेटिंग में व्यक्तियों के साथ सीधा संपर्क शामिल होता है। गुणात्मक डेटा एकत्र करने की मुख्य विधियाँ सर्वेक्षण (अवलोकन, प्रश्नावली, कार्यक्रम, फोकस समूह और साक्षात्कार के रूप में), नृवंशविज्ञान, केस अध्ययन, कथा, घटना विज्ञान और जमीनी सिद्धांत हैं।

गुणात्मक डेटा के प्रकार

गुणात्मक डेटा सौंदर्य, रंग, रंग, कोमलता, लिंग इत्यादि जैसे अमूर्त गुणों के बारे में जानकारी है, जिन्हें वास्तव में मापा नहीं जा सकता है। हालाँकि, ऐसे डेटा को सामान्य गुणों के कोड आदि के अनुसार श्रेणियों में रखा जा सकता है। इसलिए, गुणात्मक डेटा को श्रेणीबद्ध डेटा भी कहा जाता है। इ। जी। बच्चे को ग्रेड दिए बिना प्रवाह, स्वर-शैली, शब्दों का उच्चारण, उच्चारण में स्पष्टता पर एक छात्र के प्रदर्शन की प्रतिक्रिया, इसे गुणात्मक डेटा का एक उदाहरण माना जाता है।

गुणात्मक डेटा के लाभ

1. एकत्र की गई जानकारी प्रतिवादी/विषय के दृष्टिकोण, भावनाओं, व्यवहार और अध्ययन के तहत घटना में गहरी अंतर्दृष्टि से समृद्ध है।

2. उत्तरदाताओं/विषयों को अपनी प्रतिक्रियाएँ विस्तृत करने के लिए प्रोत्साहित करता है; और नए विषय क्षेत्रों को खोलें जिन पर शुरुआत में शोधकर्ता ने विचार नहीं किया था।

गुणात्मक डेटा के नुकसान

1. गुणात्मक डेटा संग्रह विधियाँ समय लेने वाली और महंगी हैं; इसलिए, डेटा आमतौर पर एक छोटे नमूने से एकत्र किया जाता है।
2. चूंकि नमूने का आकार छोटा है, इसलिए वे जनसंख्या का सही प्रतिनिधित्व नहीं कर सकते हैं।

चरण 7: डेटा विश्लेषण

पैरामीटर कोई भी गणना की गई संख्या है जो संपूर्ण जनसंख्या का वर्णन करती है, जैसे औसत, प्रतिशत या अनुपात। पैरामीटर अनुमान का तात्पर्य पैरामीटर के अनुमान के रूप में आँकड़ों की गणना करना है। जनसंख्या माध्य µ और जनसंख्या अनुपात p दो अलग-अलग जनसंख्या पैरामीटर हैं।

आँकड़ा किसी जनसंख्या के यादृच्छिक नमूने में देखे गए डेटा से गणना की गई एक संख्या है, जिसमें किसी अज्ञात पैरामीटर, जैसे नमूना माध्य, के उपयोग की आवश्यकता नहीं होती है। सांख्यिकीय अनुमान का तात्पर्य जनसंख्या के नमूने से जानकारी प्राप्त करना है।
वैधता वह सीमा है जिस तक कोई अवधारणा, परीक्षण, माप या निष्कर्ष, सटीक रूप से वह प्रदान/उत्पादित करता है जो उसे प्राथमिक रूप से माना जाता है; या, वास्तविक दुनिया से सटीक रूप से मेल खाता है।

विश्वसनीयता वह डिग्री है जिस तक व्यक्तियों के एक समूह के लिए एक ही परीक्षण को दो बार प्रशासित करके प्राप्त माप, गणना या विनिर्देश के परिणाम पर स्थिर और सुसंगत परिणाम देने के लिए निर्भर किया जा सकता है।

मात्रात्मक डेटा का विश्लेषण करने की विधियाँ (सर्वेक्षणों में एकत्रित):

1. क्रॉस-टेब्यूलेशन: यह सबसे पसंदीदा और व्यापक रूप से उपयोग की जाने वाली मात्रात्मक डेटा विश्लेषण विधियों में से एक है। यह शोध अध्ययन में प्राप्त विभिन्न डेटा-सेटों की तुलना करके निष्कर्ष निकालने के लिए एक बुनियादी सारणीबद्ध रूप का उपयोग करता है। डेटा परस्पर अनन्य हो सकता है या एक दूसरे के साथ कुछ सहसंबंध हो सकता है।

2. प्रवृत्ति विश्लेषण: यह लंबी अवधि में एकत्र किए गए मात्रात्मक डेटा को देखने की एक सांख्यिकीय विश्लेषण पद्धति है। इस डेटा विश्लेषण पद्धति में समय के साथ डेटा परिवर्तनों के बारे में फीडबैक एकत्र करना शामिल है और इसका उद्देश्य चर में होने वाले परिवर्तन का अध्ययन करना है जबकि एक चर अपरिवर्तित रहता है।

3. मैक्स डिफ विश्लेषण: यह एक मात्रात्मक डेटा विश्लेषण है
किसी विशेष उत्पाद की खरीद के लिए ग्राहकों की प्राथमिकताओं का आकलन करने और इस प्रक्रिया में यह निर्धारित करने के लिए कि कौन से पैरामीटर दूसरों की तुलना में उच्च रैंक पर हैं, विधि का उपयोग किया जाता है। यह विधि नीचे दिए गए संयुक्त विश्लेषण के समान है, लेकिन इसे लागू करना बहुत आसान है। हालाँकि, दोनों का परस्पर उपयोग किया जा सकता है।

4. संयुक्त विश्लेषण: यह एक समान मात्रात्मक डेटा है
विश्लेषण विधि जो विश्लेषण करती है कि खरीदारी का निर्णय लेने के लिए कौन से पैरामीटर काम करते हैं। यह विधि उन्नत मेट्रिक्स के संग्रह और विश्लेषण को सक्षम बनाती है जो निर्धारित पैरामीटर सबसे महत्वपूर्ण हैं; और क्रय निर्णयों में गहन समझ प्रदान करते हैं।

5. टीयूआरएफ विश्लेषण (कुल अनडुप्लिकेटेड पहुंच और आवृत्ति विश्लेषण): यह एक मात्रात्मक डेटा विश्लेषण पद्धति है जो किसी उत्पाद या सेवा या दोनों के संयोजन की बाजार पहुंच की जांच करती है। इस पद्धति का उपयोग संगठनों द्वारा उन मार्गों को समझने के लिए किया जाता है जिनके माध्यम से उनका संचार/संदेश ग्राहकों और संभावित ग्राहकों तक पहुंचता है; और किस आवृत्ति के साथ. इससे शोधकर्ताओं को अपनी बाज़ार रणनीतियों को संशोधित/अद्यतन करने में मदद मिलती है।

6. गैप विश्लेषण: यह एक मात्रात्मक डेटा विश्लेषण विधि है जिसमें मात्रात्मक डेटा को चित्रित करने के लिए साइड-बाय-साइड मैट्रिक्स का उपयोग किया जाता है ताकि अपेक्षित प्रदर्शन और वास्तविक प्रदर्शन के बीच अंतर को मापा जा सके। इसलिए, यह डेटा विश्लेषण इस अंतर को पाटने के लिए प्रदर्शन और अपेक्षा में अंतर को मापने में मदद करता है।

7. एसडब्ल्यूओटी विश्लेषण: यह किसी संगठन/उत्पाद/सेवा की ताकत, कमजोरियों, अवसरों और खतरों को इंगित करने के लिए संख्यात्मक मान निर्दिष्ट करने की एक मात्रात्मक डेटा विश्लेषण विधि है जो बाजार प्रतिस्पर्धा के पूरे परिदृश्य को समझने में मदद करती है ताकि प्रभावी व्यावसायिक रणनीतियां बनाई जा सकें। तैयार किया गया।

8. पाठ विश्लेषण: यह एक उन्नत सांख्यिकीय पद्धति है जहां बुद्धिमान उपकरण गुणात्मक और ओपन-एंडेड डेटा को आसानी से समझने योग्य डेटा में मापते हैं। इसलिए, इस पद्धति का उपयोग कच्चे और असंरचित सर्वेक्षण डेटा को एक संख्यात्मक संरचना में परिवर्तित करने के लिए किया जाता है जो समझ में आता है।

गुणात्मक डेटा का विश्लेषण करने की विधियाँ

1. सामग्री विश्लेषण: यह डेटा को वर्गीकृत, सारांशित और सारणीबद्ध करने के लिए मौखिक या व्यवहारिक डेटा को वर्गीकृत करने की प्रक्रिया है।

2. वर्णनात्मक विश्लेषण: यह प्रत्येक उत्तरदाता के संदर्भ और अनुभवों को ध्यान में रखते हुए उत्तरदाताओं के कथन को सुधारने की प्रक्रिया है। वास्तव में, यह शोधकर्ता द्वारा प्राथमिक गुणात्मक डेटा का संशोधन/व्याख्या है।

3. प्रवचन विश्लेषण: यह मौखिक रूप में सभी प्राकृतिक प्रवचन और सभी लिखित पाठ का विश्लेषण करने की विधि है।

4. आधारभूत सिद्धांत: गुणात्मक डेटा विश्लेषण की यह विधि एक सिद्धांत तैयार करने के लिए एकल मामले के विश्लेषण से शुरू की जाती है। फिर, यह जांचने के लिए अधिक मामलों का विश्लेषण किया जाता है कि क्या वे सिद्धांत में योगदान करते हैं।

5. फ्रेमवर्क विश्लेषण: यह विश्लेषण का एक उन्नत तरीका है जिसमें कई चरण शामिल हैं जैसे परिचित होना, विषयगत ढांचे की पहचान करना, कोडिंग, चार्टिंग, मैपिंग और व्याख्या।

सांख्यिकीय डेटा विश्लेषण की तकनीकें/उपकरण

ऊंचाई और वजन का उदाहरण. एक धारणा यह है कि लम्बे लोग छोटे कद के लोगों की तुलना में भारी होते हैं; लेकिन, रिश्ता हमेशा सच्चा नहीं होता। एक ही ऊंचाई के लोगों के शरीर का वजन अलग-अलग हो सकता है, और अक्सर यह देखा गया है कि किसी दिए गए जोड़े में से छोटा व्यक्ति लंबे जोड़े की तुलना में भारी होता है। हालाँकि, 150 सेमी लंबे लोगों का औसत वजन 160 सेमी लंबे लोगों के औसत वजन से कम होता है, जिनका औसत वजन 170 सेमी लंबे लोगों से कम होता है। सहसंबंध विश्लेषण यह दिखा सकता है कि लोगों के वजन में कितना अंतर उनकी ऊंचाई से संबंधित है। एक बुद्धिमान सहसंबंध विश्लेषण डेटा में मौजूद अप्रत्याशित सहसंबंधों को प्रकट करता है और संदिग्ध सहसंबंधों के बीच सबसे मजबूत सहसंबंध की भी पहचान करता है। सहसंबंध गुणांक दो चरों के बीच विद्यमान कुछ प्रकार के सांख्यिकीय संबंधों का एक संख्यात्मक माप है। यह सहसंबंध की प्रक्रिया का मुख्य परिणाम है। इसे r से दर्शाया जाता है और इसकी सीमा -1 से +1 तक होती है। आर +1 या -1 के जितना करीब है, दोनों चर उतने ही करीब से संबंधित हैं, जहां +1 सबसे मजबूत संभावित समझौते को इंगित करता है और -1 सबसे मजबूत संभावित असहमति को इंगित करता है।

2. आवृत्ति वितरण
आवृत्ति वितरण एक सर्वेक्षण से एकत्र किए गए डेटा को सारणीबद्ध प्रारूप में व्यवस्थित और सारांशित करने की तकनीक है। इसमें डेटा सेट में एक चर के गुणात्मक या मात्रात्मक मानों को सूचीबद्ध करना और प्रत्येक मान की घटना की आवृत्ति (प्रत्येक मान घटित होने की संख्या) को चिह्नित करना शामिल है। आवृत्ति वितरण सभी सांख्यिकीय विश्लेषण का आधार है और सर्वेक्षण डेटा के विश्लेषण में पहला कदम भी है। सारणीबद्ध प्रतिनिधित्व डेटा की व्याख्या करना और सर्वेक्षण डेटा सेट में आउटलेर्स या चरम मूल्यों का पता लगाना सुविधाजनक बनाता है। बारंबारता वितरण को ग्राफिक रूप से एक वक्र के रूप में दर्शाया जा सकता है।
सामान्य वितरण एक घंटी के आकार का आवृत्ति वितरण वक्र है। सामान्य वितरण क्लस्टर में अधिकांश डेटा मान माध्य के आसपास होते हैं। डेटा बिंदु माध्य से जितना दूर होगा, उसके घटित होने की संभावना उतनी ही कम होगी। सामान्य वितरण का केंद्र अपने चरम पर स्थित होता है। + सामान्य वितरण सममित होते हैं (केंद्रीय रेखा का दाहिना भाग बाईं ओर की दर्पण छवि है), यूनिमॉडल (, और एसिम्प्टोटिक (वे एक्स-अक्ष तक पहुंचते हैं लेकिन कभी स्पर्श नहीं करते हैं); और माध्य, माध्यिका और मोड सभी हैं बराबर।

मानक विचलन एक आँकड़ा है जो बताता है कि वितरण वक्र में दिखाए गए डेटा सेट में मान उनके माध्य के आसपास कितनी बारीकी से क्लस्टर किए गए हैं। इसे घंटी के आकार के वक्र के माध्यम से दर्शाया गया है। जब मानों को एक साथ जोड़ा जाता है, तो घंटी वक्र तीव्र होता है जिसका अर्थ है कि मानक विचलन छोटा है। जब मान अलग-अलग फैले होते हैं, तो घंटी वक्र अपेक्षाकृत सपाट होता है, जो इंगित करता है कि मानक विचलन अपेक्षाकृत बड़ा है।

मानक सामान्य वितरण सामान्य वितरण का वह विशेष मामला है जब एक सामान्य यादृच्छिक चर का माध्य शून्य और मानक विचलन एक होता है। मानक सामान्य वितरण के सामान्य यादृच्छिक चर को मानक स्कोर या z स्कोर कहा जाता है।

तिरछापन एक सांख्यिकीय वितरण में विषमता है, जिसमें घंटी वक्र बाईं या दाईं ओर विकृत या तिरछा दिखाई देता है। वितरण सामान्य वितरण से किस हद तक भिन्न है, इसे परिभाषित करने के लिए तिरछापन निर्धारित किया जा सकता है।

कर्टोसिस एक आवृत्ति-वितरण वक्र के शिखर की तीक्ष्णता है, यानी, यह मापता है कि सामान्य वितरण के सापेक्ष डेटा भारी-पूंछ वाला है या हल्का-पूंछ वाला।

लेप्टोकर्टिक वितरण सांख्यिकीय वितरण हैं जहां एक्स अक्ष के साथ चरम बिंदु होते हैं, जिसके परिणामस्वरूप सामान्य वितरण की तुलना में अधिक कर्टोसिस होता है।

मेसोकर्टिक वितरण में शून्य का कर्टोसिस होता है, जो सामान्य वितरण या सामान्य वक्र से मेल खाता है, जिसे घंटी वक्र के रूप में भी जाना जाता है।

प्लैटीकुर्टिक वितरण में सामान्य वितरण की तुलना में वक्र का शिखर तुलनात्मक रूप से सपाट होता है।

4. Chi-स्क्वायर परीक्षण
ची-स्क्वायर परीक्षण एक सांख्यिकीय प्रक्रिया है जिसका उपयोग एक ही जनसंख्या में विभिन्न श्रेणियों के चर के बीच अंतर की जांच करने के लिए किया जाता है। ची-स्क्वायर वितरण वर्ग मानक सामान्य विचलन के योग का वितरण है। ची स्क्वायर वितरण सकारात्मक रूप से तिरछे या दाईं ओर तिरछे होते हैं, स्वतंत्रता की बढ़ती डिग्री के साथ तिरछापन की डिग्री कम हो जाती है। जैसे-जैसे स्वतंत्रता की डिग्री बढ़ती है, ची स्क्वायर वितरण सामान्य वितरण के करीब पहुंचता है।

5. एफ-टेस्ट
एफ-टेस्ट एक सांख्यिकीय परीक्षण है जो जनसंख्या से लिए गए डेटा सेट में फिट होने वाले विभिन्न सांख्यिकीय मॉडलों की तुलना करता है ताकि जो सबसे उपयुक्त हो उसकी पहचान की जा सके। यह एफ सांख्यिकी के आधार पर किया जाता है। एफ-आँकड़ा में शून्य परिकल्पना के तहत एफ-वितरण होता है। एफ-वितरण ची-वर्ग वितरण के समान संभावनाओं का एक विषम वितरण है। लेकिन जबकि ची-स्क्वायर वितरण चर के एक सेट के साथ स्वतंत्रता की डिग्री से संबंधित है, एफ-वितरण स्वतंत्रता की विभिन्न डिग्री वाली घटनाओं के कई स्तरों से संबंधित है। एफ-वितरण को दो स्वतंत्र ची वर्ग चर के बीच के अनुपात के रूप में परिभाषित किया गया है जो उनकी स्वतंत्रता की संबंधित डिग्री से विभाजित हैं।

 

UGC NET Official Website Link Click

Online Course Click

NFOBC