Verilerin Analizi: 4 Adım

Bu makale, veri analizinde yer alan dört ana adıma ışık tutmaktadır. Adımlar: 1. Kategorilerin Kurulması veya Verilerin Sınıflandırılması 2. Kodlama 3. Tablolar 4. Verilerin İstatistiksel Analizi.

Adım # 1. Kategorilerin Kurulması veya Verilerin Sınıflandırılması :

Sosyal bilimler araştırmaları genellikle, katılımcıların örneklemine veya 'popülasyonuna' sunulan veya sorulan uyaranlara sorulan veya uyaran farklı türdeki sorulara çok çeşitli cevapları içerir. Bu cevaplar sözlü veya sözsüz olabilir.

Açıkça, eğer araştırma sorularını cevaplamada veya genellemeler çizmede kullanılabilecek şekilde çok sayıda farklı türden cevaplar verilecekse, sınırlı sayıda kategoride veya sınıfta gruplandırılmalıdır. Basit bir örnek vermek gerekirse, katılımcıların “Üniversite öğrencileri için nesnel tip sınavını tercih ediyor musunuz?” Diye sorduğunu varsayalım.

Ankete cevap verenlerin cevapları muhtemelen aşağıdaki gibi dört geniş kategori altında toplanabilir:

(a) “Evet” yanıtları.

(b) “Hayır” cevabı.

(d) “Cevap vermedi”.

Cevaplayıcılara sorulan başka bir sorunun da, “Hangi sosyal sınıfa ait olduğunu söylersin?” Olduğunu varsayalım.

Katılımcıların cevapları aşağıdaki kategorilerde gruplandırılabilir:

(a) Üst sınıf.

(b) Orta sınıf.

(d) “Söyleyemem.”

(e) Diğer cevaplar (“Sosyal derslere inanmıyorum.” gibi. “Ait olduğum yer çok önemli değil” vb.).

Verilerin gruplandırılması için kurulacak kategoriler hakkında karar vermenin ön şartı, araştırmacının uygun bir sınıflandırma prensibi seçmesi gerektiğidir. Herhangi bir formüle edilmişse, araştırma sorusu veya hipotezi, bir sınıflandırma ilkesini seçmek için iyi bir mantıksal temel sağlar.

Farz edelim ki, bir çalışmadaki hipotez:

“Ortak okullarda çalışma deneyimi olan öğrenciler ortak eğitim sistemine karşı daha olumlu bir tutum sergileyeceklerdir.”

Burada açık bir şekilde, cevapların sınıflandırılmasının prensiplerinden biri, katılımcının eş-eğitim sistemi konusunda daha önce deneyime sahip olup olmadığı olacaktır. Yanıtların sınıflandırılmasının bir başka temeli, ortak eğitim sistemine yönelik ifade edilen olumluluk veya olumsuzluk derecesidir. Başka hangi derneklerin inceleneceğine bağlı olarak diğer sınıflandırma esasları da kullanılabilir.

Sınıflandırmanın ilk temeli iki yanıt kategorisi olacaktır:

(a) Önceden bir ortak eğitim tecrübesine sahip olduklarını söyledi;

(b) Önceden bir ortak eğitim deneyimine sahip olmadıklarını söyledi.

Bu iki kategori kendi içerisinde tüm cevapları içerir (elbette, yanıt verenlerin cevap vermeyi reddetmediğini veya cevap vermediğini veya bazı “başka yanıtlar” vermediği varsayılmaktadır. Yukarıdaki varsayımla ilgili hiçbir cevap bu iki kategorinin pusulasının ötesinde değildir. Bu iki kategori birlikte “kategori seti” olarak bilinen şeyi oluşturur.

Bir 'kategori seti' aşağıdaki üç şartı yerine getirmelidir:

(1) Kategori kümesi, tek bir sınıflandırma ilkesinden türetilmelidir. Bu gereklilik oldukça anlaşılır çünkü birden fazla sınıflandırma prensibi kullanılıyorsa, birden fazla kategori ile tek bir cevap talep edilebilir.

Böylece, kategoriler birbirinden bağımsız olmayacaktır. Örneğin, kategori setini oluşturan üç kategorimiz varsa, mesela sırasıyla erkek, kadın, çocuk, iki sınıflandırma ilkesinden, yani cinsiyet ve yaştan türetilmişse, o zaman herhangi bir dava (cevap veren), kategori setinde bir kategori var.

Örneğin, bir çocuk erkek de olabilir, kadın da çocuk olabilir. Sınıflandırma ilkesi, ancak, iki veya daha fazla kriterden, yani erkek çocuk, kız çocuk, vb.

(2) İkinci şart, kategori setinin ayrıntılı olması gerektiği, yani her cevabı set içindeki kategorilerden birine yerleştirmenin mümkün olması gerektiğidir. İçereceği sette uygun bir kategori istemek için 'cevap yok' bırakılmalıdır.

Cevaplar ne olursa olsun, set içindeki bazı kategorilerde ele alınmalıdır. Örneğin, dünyadaki insanlar ırksal stoklarına göre sınıflandırılacaksa, (a) Caucasoid, (b) Negroid ve (c) Mongoloid olmak üzere üç kategoriden oluşan kategori seti açıkça Yukarıda belirtilen şartlara uygun olarak hazırlanmış ayrıntılı bir kategori olun, çünkü Hindistan halkının çoğunun (ve bazılarının) bir yer bulabileceği tek bir kategori içermiyor.

(3) Son gereksinim, birincinin sonucudur; yani, kümedeki kategorilerin birbirini dışlamaması gerekir; yani, kategoriler birbiriyle örtüşmemelidir. Dolayısıyla, set içerisinde birden fazla kategori tarafından cevap talep edilemez.

Sosyal bilimlerin karakteristik verileri için kategoriler oluşturmak her zaman kolay bir iş değildir. Sınıflandırma ilkesi genellikle bileşik bir olabilir (basit, üniter değil). Birlikte toplam yanıtlar evrenini tüketecek olan birbirini dışlayan tüm kategorileri, bileşik bir sınıflandırma ilkesine dayanarak çizme görevi, gerçekten de, hayal gücü isteyen tam bir titizliktir.

Bu gibi durumlarda, bileşik sınıflandırma ilkesini oluşturan nitelikleri sembollere veya kodlara düşürmek ve kategori kümesini oluşturan tüm olası kategoriler dizisi olan Boole genişletme tekniği ile çizmek büyük bir yardımcıdır.

Çok basit bir örnek alalım. Araştırmacının, cinsiyet (kadın erkek), yaş (21 yaş altı veya 21 yaş altı) ve medeni durumunun (evli veya bekar), bekar (ancak bileşik) sınıflandırma ilkesinin bileşenleri olarak değerlendirdiğini düşünelim. ve bunları aşağıdaki gibi sembollere indirger:

Erkek = S, dişi = S̅

21 yaş altı = A, 21 yaş üstü = A̅

Evli = M, Bekar = M̅

Sonuçta ortaya çıkan kategori seti, bileşik sınıflandırma ilkesini oluşturan bu üç niteliğin olası tüm kombinasyonlarından oluşan ayrıntılı toplam olacaktır. Muhtemel kombinasyonlar, yani kategoriler, 2 ³ = 2 x 2 x 2 = 8 olacaktır.

Bunlar aşağıdaki gibidir:

(1) SAM

(2) S̅ AM

(3) S A ̅ M

(4) SA M̅

(5) S̅ A̅ M

(6) S̅ A M̅

(7) S A̅ M̅

(8) S̅ A̅ M̅

Kod çözme, yani semboller için gerçek çağrışımları kullanmak yerine, aşağıdaki gibi okunan, birbirini dışlayan sekiz kategoriye sahibiz:

(1) 21 yaşın altındaki erkekler ve evliler.

(2) 21 yaş altı ve evli kadınlar.

(3) 21 yaşın üzerindeki erkekler ve evliler.

(4) 21 yaşın altındaki erkekler ve evlenmemişler.

(5) 21 yaş üstü kadınlar ve evliler.

(6) 21 yaşın altındaki kadınlar ve evlenmemişler.

(7) 21 yaşın üzerindeki erkekler ve evlenmemişler.

(8) 21 yaş üstü kadınlar ve evlenmemişler.

Aynı şekilde, eğer bileşik sınıflandırma prensibi dört özellikten oluşuyorsa, 2 ⁴ = 2x 2 x 2 x 2, yani 16 ayrı ayrı kategoriye sahip olacağız. Şimdi, sezgiden ziyade, kategori oluşturma yönteminin sınıflandırma görevini nasıl daha kolay ve kusursuz hale getirdiği açıkça anlaşılmalıdır.

Araştırma sırasında katılımcılardan alınan yanıtların oldukça basit ve net olması ve böylece kategorilerin açıkça açıkça tanımlanabilmesi durumunda, bir kategori kümesinin oluşturulmasının nispeten kolay olduğu açıktır. Bu, kategorilerin her zaman tanımlanması gereken şekilde olmasına rağmen, görev belirli içerik türleriyle daha zordur.

Bir araştırmada araştırmacının erkek öğrencilere, “Kız öğrencilerin aynı kolejde sizin gibi erkek öğrencilerle çalışmak hakkında neler hissettiğini söylersin?” Diye sorduğunu varsayalım. Cevapların yüksek oranda olumlu davranış göstergelerinden (kız öğrencilere atfedilen) göstergeleri arasında olması muhtemeldir. ) Olumsuz tutumların itirazlarına. Diyelim ki, bunlar katılımcılardan gelen cevaplardan bazıları.

(1) Fikirden hoşlanırlar. '

(2) 'Sakıncası olduğunu sanmıyorum.'

(3) 'Onları düşürdüğünü düşünüyorlar.'

(4) Onlarla temas kurmuyorum, bu yüzden bilmem. '

(5) 'Nefret ediyorlar.'

(6) 'Bazıları hoşlandı, bazıları hoşlanmadı.'

(7) 'Burada çalışmak istiyorlar, böylece erkeklerden daha az olmadıklarını söyleyebilirler.'

(8) 'Tamamen bayanlar kolejinde çok özleyecekti, bu yüzden buradan hoşlanıyor gibi görünüyorlar.'

Yukarıdaki cevaplara gelince, kız öğrencilere uygulanan olumlu ve olumsuz tutumların sınıflandırma ilkesini temel alan basit bir kategori kümesini geliştirmek zor olmayacaktır. Ancak hem olumlu hem de olumsuz cevapların farklı anlam tonları taşıdığını bulduk.

“Onlar (kız öğrenciler) burada çalışmak istiyor, böylece erkeklerden daha az olmadıklarını söyleyebilirler” diyen erkek öğrenci, “Fikirden hoşlanıyorlar” diyen birinden farklı bir şey aktarıyor. “Onları düşürdüğünü düşünüyorlar” yine “Ondan nefret ediyorlar” diyenden farklı bir şey söylüyor.

Böylece, iki niteliği görüyoruz, yani:

(1) Kızlara yönelik olumlu veya olumsuz tutumların değerlendirilmesi ve

(2) Olumlu ya da olumsuz tutumları destekleyen fayda ya da zararlara açık referans ya da referans yokluğu, bileşik sınıflandırma ilkesinin iki önemli bileşenidir.

Daha önce tartışılan bir kategori setinin ideal gereksinimlerine uygun olarak belirlenen kategorideki kategoriler aşağıda belirtildiği gibi ortaya konabilir:

(1) Kız öğrencilere yönelik tutum, erkek öğrencilerle aynı kolejde okuduklarından elde ettikleri faydalar (örneğin, 7. ve 8. cevaplar) olarak açıklanmıştır.

(2) Erkeklerle aynı kolejde okuduktan kazanılan kazanımlara açıkça atıfta bulunmayan kızlara yönelik olumlu tutum (ör., No. 1).

(3) Kızlara yönelik tarafsız veya uzlaşmacı tutum (örneğin, 1. bildiri beyannamesi).

(4) Kız öğrencilere yönelik olumsuz tutum, erkek öğrencilerle aynı üniversitede okumaktan kaynaklanan dezavantajları (olumsuz faydaları) açıklar.

(5) Ortak eğitimden kaynaklanan dezavantajlara veya kayıplara açıkça atıfta bulunmadıkça, kızlara yönelik olumsuz tutum (ör., No. 5).

(6) Diğer cevaplar söyleyemez, cevap veremez, bilmez (örneğin, 4 no'lu cümle).

Yukarıdaki örnek, sosyal bilimlerde bir sınıflandırmanın ne kadar karmaşık olabileceği konusunda bir fikir verecektir. Bu tür karmaşık kategorilerle çalışmak, sınıflandırmada büyük özen ve çaba gerektirir. Kategoriler dikkatli bir şekilde çalışılsa bile, kullanımı daha dar ve tam olarak tanımlanmış kategorilerin kullanımından daha büyük problemler ortaya çıkarır.

Yukarıdaki örnekte bir erkek öğrenci, “burada tamamen hoşlarına gidiyor, nedenini biliyorlar” diyorsa, bu ifadenin bir yararı olup olmadığı tartışmalı bir sorudur. Dolayısıyla, bu tür cevaplarla başa çıkmak için ek kurallar oluşturulması gerekecektir.

Prensipte, kategori kümelerinin oluşturulması için birçok cevap niteliğinin kullanılması mümkün olsa da, uygulamada bu sınıflandırma ilkelerinin tümü olmadığı için, çoğu zaman gereksiz, ekonomik olmayan ve önemsiz olduğu söylenmelidir. Çalışmanın amacına dayanmak.

Şimdi yapılandırılmamış malzemeyi kategorize etmek için sınıflandırıcı bir ilke seçme problemini düşünelim (yani, yapılandırılmamış araçlar tarafından toplanan bilgiler).

Açıkça formüle edilmiş araştırma soruları veya hipotezi ile ilgili veri toplamak için yapılandırılmış araçların kullanıldığı çalışmalarda, cevapların sınıflandırılması için uygun ilke, soruların niteliği ve güvenli cevaplar tarafından oldukça açık bir şekilde yazılmıştır.

Ancak, yapılandırılmamış materyal veya verilerle çalışırken, ilk sorun, materyalin hangi yönlerinin sınıflandırılacağı, yani kategorilerin oluşturulmasında hangi sınıflandırma ilkelerinin kullanılması gerektiği konusundaki kararlara ulaşmaktır.

Tanımlayıcı olarak iyi formüle edilmiş bir sorunla veya açık bir hipotezle başlamayan keşif çalışmalarında, sınıflandırma ilkeleriyle ilgili karara varmak zordur. Veri toplama zamanında, araştırmacı hangi yönlerin en önemli olabileceğini bilmiyor.

Bu nedenle yapılandırılmamış türden büyük miktarda veri toplamak zorundadır. Analiz sürecinde araştırmacı yalnızca yapılandırılmamış malzemelerle değil aynı zamanda büyük bir hacmi ile uğraşma sorunu ile de karşı karşıya kalmaktadır.

Uygulanabilir tatmin edici sınıflandırma prensipleri sağlayacak çalışma hipotezi geliştirmek için bir keşif çalışmasının verilerini analiz ederken tavsiye edilir. Araştırmacının, verilerindeki gizli ipuçlarına her zaman tetikte olan tüm materyallerini dikkatlice okuması gerekir. Bu tür ipuçları, üzerinde çalıştığı konularla çelişen konular veya durumlar hakkındaki materyalleri inceleyerek güvence altına alınır.

Böyle bir çalışma araştırmacının iki durum arasındaki önemli farklılıkları görmesine yardımcı olur. Bu tür ipuçlarını elde etmenin bir başka prosedürü, davalarını yakın akrabalık gibi görünen veya bir araya gelmiş gibi görünen gruplara koymak ve daha sonra kendisine tek bir gruba yerleştirdiği davaların aynı olduğunu hissetmesine neden olan şeyi sormaktır.

Çalışma hipotezinin formülasyonu için ipuçlarını teşvik edebilecek bir başka yaklaşım, bazı teorik beklentiler veya sağduyuyu göz önünde bulundurarak şaşırtıcı görünen hususları not etmek ve daha sonra şaşırtıcı veya beklenmedik olayların olası açıklamasını araştırmaktır.

Bununla birlikte, açık bir hipotez olsa bile, yapılandırılmamış malzemenin analizinin özel problemler ortaya çıkardığı unutulmamalıdır. İlk olarak, belirli bir noktadaki bilginin bazı belgelerde eksik olabileceği olasılığı her zaman vardır.

Ayrıca, hipotezi doğrudan etkilemeyen büyük miktarda malzemenin olasılığı da vardır. Ayrıca, kategorilerin uygulanacağı malzemenin birimlerinin boyutuna karar verme sorunu var.

Örneğin, eğer bir araştırmacı refah kurumları tarafından tutulan vaka kayıtlarını kullanıyorsa, hangi birimin (örneğin müşteriler, açıklamalar, eylemler, sosyal görevliler, müşteri ile oturumlar veya tüm kayıtlar) cevaplarını sağlamada en uygun olduğuna karar vermelidir. özel araştırma soruları.

Adım # 2. Kodlama:

Kodlama, önceden belirlenmiş bir sınıfa giren her bir cevabın genellikle rakamları olan sembollerin atanmasından oluşur. Başka bir deyişle, kodlama sonraki tablolama için gerekli sınıflandırma işlemi olarak kabul edilebilir. Kodlama yoluyla ham veriler, tablo halinde verilebilecek ve sayılabilecek sembollere dönüştürülür.

Bununla birlikte, bu dönüşüm otomatik değildir, kodlayıcı kısmına çok fazla karar verilmesini içerir. 'Kodlayıcı', kaydedilen notlar ofise getirildikten sonra cevaplara özel kodlar verme sorumluluğu verilen bir kişinin resmi unvanıdır.

Bununla birlikte, hangi cevabın belirli bir kodun verilmesi gerektiğine dair kararın sıklıkla, “kodlayıcı” nın resmi gösterimini alan kişi dışında bir kişi tarafından yapıldığı unutulmamalıdır.

Kodlama, her birinde, ham verilere kod atamaktan farklı türden kişilerin sorumlu olabileceği bir çalışmada üç farklı noktada gerçekleşebilir. Birçok çalışmada, katılımcının kendisinden kendi tepkisine veya durumuna kod vermesi istenebilir.

Bu, birçok anket türü ve çoktan seçmeli sorular için geçerlidir. Örneğin, katılımcıya hangi sınıflardan (yani gelir grupları) ait olduğunu göstermesi istendiğinde, örneğin, (a) öğleden sonra 3000 rupi'nin altında, (b) Rs. 3001 / - ila Rs. 6000 / - pm, (c) Rs. 6001 / - ila Rs. 9000 / - pm, (d) Rs. 9001 / - ve üstü, cevap veren, verilen alternatifler arasındaki pozisyonunu işaretleyerek yanıtını kodlar.

Kodlamanın gerçekleşebileceği ikinci nokta, veri toplama sürecinde görüşmeci veya gözlemcinin konuların cevaplarını sınıflandırdığı zamandır. Bu, görüşmeci veya gözlemci bir kişinin tepkisini veya davranışını tanımlamak için bir derecelendirme ölçeği kullandığında yapılan şeydir.

Kodlamanın gerçekleşebileceği son nokta elbette, ham kategorize edilmemiş verilerin (özellikle yapılandırılmamış veri toplama araçlarıyla toplanan) proje ofisine bırakılması ve buradaki resmi kodlayıcıların belirli kodları belirli bir özelliğe atamak için karar vermeleridir. cevaplar veya veriler.

Bürodaki resmi kodlayıcıların kodlama artılarını ve eksilerini ve sahadaki veri toplama sürecinde yapılan görüşmeci veya gözlemcilerin kodlarını kısaca karşılaştıralım ve karşılaştıralım.

Görüşme yapanlar veya gözlemciler, durumu ve bireyin davranışlarını fark edecek konumdadır. Bu nedenle, yanıtın gerçek anlamı hakkında tam bir fikir vermeyebilecek yazılı kayıtlara dayanarak çalışan kodlayıcılara göre cevapların uygun şekilde sınıflandırılması konusundaki yargılarını temel alabilecekleri daha fazla bilgiye sahiptirler.

Veri toplayıcıların kendileri tarafından kodlamanın bir başka avantajı, hem zamandan hem de işçilikten tasarrufun sağlanması.

Aksine, ofiste kodlayıcılar tarafından kodlamanın belirli sinyal avantajları vardır. Yansıma için zaman gerektiren karmaşık verilerin kodlanması tavsiye edilen şekilde ofis kodlayıcıları tarafından yapılmalıdır. Yerinde kodlama kararında veri toplayıcılar tarafından yapılan karar, müzakere için daha fazla zaman harcanan kararlar kadar belirgin olmayabilir.

Veri toplayıcıların yargılaması, cevap veren kişinin görünüşleri, önceki sorulara, tavırlara vb. Vekalet ve cevaplar gibi birçok faktörle renklendirilebilir. İkincisi, cevapları kodlarken tekdüzelikten yoksun veri toplayıcıların tehlikesi vardır.

Böylece, çok sayıda katılımcıdan elde edilen verilerin karşılaştırılabilirliği engellenmektedir. Üçüncüsü, görüşmeci veya gözlemciler kodladıkları materyalle ilgili kendi kişisel referans çerçevelerini geliştirebilirler. Bu, bir süre sonra kategorizasyonlarını güvenilmez yapma eğilimindedir. Ofis kodlama işleminde, ortak bir referans çerçevesi elde edilmesi ve bakımı, sahaya göre daha kolaydır.

Kodlamada güvenilirlikle ilgili bazı önemli problemleri tartışalım. Kodlayıcıların kararını güvenilmez hale getirmek için çalışabilecek birçok şey var. Faktörlerin bazıları kategorilere ayrılacak verilerden, bazıları uygulanacak kategorilerin doğasından kaynaklanabilir ve yine de bazıları kodlayıcıların kendisinden gelebilir.

Şimdi bu faktörlerden bazılarına ve korunabilecekleri kısaca ele alacağız.

Kodlamada ortaya çıkan zorlukların çoğu verilerin yetersizliğinden kaynaklanmaktadır. Sık sık, veriler güvenilir bir kodlama için yeterli bilgi sağlamıyor. Bu, yetersiz ve yetersiz veri toplama prosedürleri nedeniyle olabilir. Bununla birlikte, bu zorluklar genellikle verilerin dikkatli bir şekilde düzenlenmesiyle aşılabilir. Düzenleme olarak bilinen kodlama için kalitelerini artırmak için verilerin incelenmesini içeren süreç.

Veri toplayıcı, materyallerini proje ofisine teslim ettiğinde, birçok potansiyel kodlama zorluğunu ortadan kaldırma olasılığı hala mevcuttur. Verilerin toplandıkları anda dikkatlice incelenmesi ve gerekirse, görüşmeci veya gözlemcilerin sistematik olarak sorgulanması birçok kodlama sorununun önlenmesine yardımcı olur.

Düzenleme, daha sonra kodlama sorunlarından kaçınmak için yardımcı olmakla kalmaz, aynı zamanda, görüşmecilerin veya gözlemcilerin yanlış anlaşılan talimatlara sahip olduğu veya yeterli miktarda veri kaydetmediğini belirterek veri toplama kalitesini de önemli ölçüde artırabilir.

Aslında, görüşme öncesi yapılan testler sırasında veya görüşme yapanları veya gözlemcileri eğiten gözlem programı ve aslında veri toplama süresi boyunca düzenleme yapılmalıdır. Proje ofisinde düzenleme, kodlama sorunlarının giderilmesinde uzun bir yol kat ediyor.

Bu nedenle, görüşme yapanlar veya gözlemciler kolayca sorgulama için uygun hale getirilirken düzenleme yapılmalıdır. Düzenleme, görüşme veya gözlem programlarının dikkatli bir şekilde incelenmesini içerir.

Bunlar kontrol edilmelidir:

(1) Bütünlük: Editörlerin tüm öğelerin gerektiği gibi doldurulduğunu görmeleri gerekir. Örneğin, bir röportaj programında bir sorunun yanındaki boş bir alan ya 'yanıt yok' ya da 'Bilmiyorum' veya reddetme anlamına gelebilir sorunun cevabı ya da uygulanamazlığı ya da gözetim tarafından ihmal edilen soru, vb.

(2) Editör, el yazısı veya görüşmeci veya gözlemci tarafından atanan sembollerin veya kodların kodlayıcı tarafından kolayca anlaşılıp anlaşılmadığını bulmak için görüşme veya gözlem programlarını incelemelidir.

Materyal teslim edildiğinde okunaklı olup olmadığını kontrol etmek ve gerekirse görüşmeci veya gözlemciyi yeniden yazmak için tavsiye edilir. Bu yapılmazsa, görüşmeci veya gözlemcilerin sorgulama için kolayca hatırlanamadığı bir durumda kodlama sıkışabilir.

(3) Düzenleme, anlaşılabilirlik için programların incelenmesini de içerir. Kaydedilmiş bir cevabın görüşmeci veya gözlemci tarafından mükemmel bir şekilde anlaşılabilir olması, ancak kodlayıcıya anlaşılmaması nedeniyle olur, çünkü davranış veya yanıtın içeriği kodlayıcı tarafından bilinmez. Veri toplayıcıların sistematik olarak sorgulanması, karışıklığı ve belirsizlikleri ortadan kaldıracak ve kodlamanın kalitesini önemli ölçüde artıracaktır.

(4) Programda kaydedilen cevaplarla ilgili olarak belirli tutarsızlıklar olup olmadığını bulmak için veriler de incelenmeli veya kontrol edilmelidir.

Örneğin, bir katılımcı, belirli bir grubun insanlarıyla hiç karşılaşmadığı önceki sorulardan birine yanıt olarak söylemiş olabilir, ancak daha sonraki bir soruya yanıt olarak, bu grubun bazı insanlarını ziyaret ederken hakkında bir şeyler söylemiştir. mermi. Böyle bir durumda, bu tutarsızlığı araştırmak ve veri toplayıcıları sorgulayarak netleştirmek için açık bir ihtiyaç vardır.

(5) Ayrıca, anketörlerin veri toplama ve kaydetme talimatlarını takip ettiği tek biçimlilik derecesini kontrol etmek de gereklidir. Bir talimatta belirtilenler dışındaki birimlere yanıt kaydedildiğinde kodlama engellenebilir.

(6) Bazı cevapların soruşturmanın amacı için alakasız göründüğü belirtilmelidir. Bir soru açıkça işlenmemişse veya akıllıca sorulmamışsa, bunun olması muhtemeldir. Dolayısıyla, uygunsuz cevapları uygun olanlardan ayırmak için veriler dikkatli bir şekilde incelenmelidir.

Verilerin sınıflandırılmasının değeri doğal olarak kullanılan kategorilerin sağlamlığına bağlıdır. Araştırma amacına uygun olmasının yanı sıra kategorilerin de kavramsal bir bakış açısıyla tanımlanması gerekmektedir.

Kategoriler, burada ve şimdi, verilere uygulanabilir göstergeler açısından net bir şekilde tanımlanmamışsa, kodlama güvenilmez olacaktır. Uygulamada, kategoriler eldeki verilerden örneklerle tanımlanmaktadır. Verilerden gelen örneklerin yalnızca ne tür yanıtların kategoriyi belirttiğini göstermemesi aynı zamanda benzer kategoriler arasındaki sınır çizgisini ayırt etmeye yardımcı olması çok yararlıdır.

Kodlamanın kalitesinin kodlayıcıların yeterliliğinden etkilendiği açıktır. Kodlayıcıların eğitimi bu nedenle herhangi bir çalışmada önemli bir adımdır.

Kodlayıcıların eğitimi aşağıdaki aşamalarla devam edebilir:

İlk olarak, çeşitli kodlar, özelliklere (kodlayıcılar) açıklanmakta ve kategorize edilecek verilerden örnekler ile gösterilmektedir.

İkincisi, tüm stajyer kodlayıcılar daha sonra bir veri örneği üzerinde pratik yapar, ortaya çıkan problemler ortak prosedürler ve tanımlar geliştirmek için kodlayıcılar tarafından süpervizörle bir grup olarak tartışılır.

Üçüncüsü, uygulama kodlamasından kaynaklanan ipuçları, kategorideki revizyonları malzemeye daha iyi uygulanabilir kılmak ve ön kodlama sırasında gelişen prosedürleri ve tanımları yazılı olarak koymak için kullanılır.

Dördüncüsü, göreceli olarak az sayıda yeni problemin ortaya çıktığı uygulama döneminde bir noktada kodlayıcılar, bir diğerine veya amirine danışmadan verinin özdeş bir kısmında çalışıyor. Kodlamanın tutarlılığı veya güvenilirliği daha sonra doğru şekilde kodlamaya başlamanın mümkün olup olmadığını belirlemek için hesaplanır.

Güvenilirlik veya tutarlılık kontrollerinin sonuçlarına bağlı olarak, güvenilir olmayan kategorileri ortadan kaldırmaya veya kodlayıcıları eğitmek için daha fazla zaman harcamak veya en tutarsız olan kodlayıcıları ortadan kaldırmak için karar verilebilir.

Son olarak, kodlayıcıların daha fazla tecrübe ile dikkatsiz kalmamasını veya materyalde yeni problemleri ele almak için kişisel kendine özgü yöntemler geliştirmemelerini sağlamak için periyodik kontroller yapılır. Tekdüzelik sağlamak ve kodlama başladıktan sonra alınan karar gecikmeden tüm kodlayıcılara bildirilmelidir.

Açıkçası, belirli bir kategoriye verilen bir cevabın verildiği tutarlılık ve uygunluk analizin sonucuna önemli bir etkiye sahip olacaktır, bu nedenle kodlamanın güvenilirliğini kontrol etmek ve kodlayıcılar arasındaki anlaşmayı arttırmak önemlidir. olabildiğince.

Elbette, elde edilecek standart olarak herhangi bir güvenilirlik seviyesini ayarlamak zordur. Farklı malzeme türleri, güvenilirliği sağlamada farklı zorluk dereceleri sunar. Kural olarak, kodlanacak malzeme ne kadar yapılandırılmışsa ve bu nedenle kullanılan kategoriler ne kadar basit olursa, güvenilirlik o kadar yüksek olur.

Bir çalışmada kullanılan kod türlerinin, verilerin makine tarafından mı yoksa elle mi tablolandırılacağına bağlı olarak değişeceği belirtilmelidir. Veriler manuel olarak sıralanacaksa, sınıfların sözcük açıklaması yeterlidir.

Aynı zamanda, alfa tabakaların kısaltmaları veya harfleri, örneğin, “Evet için Y, Hayır için N”, vb. Kullanılabilir. Makine tablolaması, diğer taraftan, sınıfların sayısal sembollerle ifade edilmesini gerektirir, çünkü makineler sadece sayısal verilerle beslenebilir.

Mekanik tablolama delikli kartların kullanılmasını gerektirir. Ancak, delikli kartta gösterilebilecek farklı sınıfların sayısı sınırlıdır. Her durumda, makine çizelgesi için kullanılan tüm kodlar el çizelgesi için de kullanılabilir.

Kodlar, iki boyutu genel olarak kullanılan delikli kartlara, yani 80 sütun kartına ve 54 sütun kartına yerleştirilecekse, çoğu bilgi veya yanıt için en az sınıf / kategori için on kullanılması tercih edilir.

Delikli kart, 10 numaralı boşluk ve her sütunda kullanılabilecek toplam 12 kod içeren bir X ve Y içerir. Bir sütunda birden fazla öğe türü elde etmek oldukça karmaşık bir işlemdir. Örneğin, doğuş ve yaş kodları, her biri için yalnızca altı yaş grubu kullanılmadıkça, tek bir sütunda delinemez.

Adım # 3. Tablolama:

Tablolama, verilerin istatistiksel analizinde teknik sürecin bir parçasıdır. Tablolamadaki temel unsur, sonuçların istatistiksel tablo şeklinde özetlenmesidir.

Sadece ham veriler gruplara bölündüğünde ve bu çeşitli gruplara düşen vaka sayısından yapılan sayımlar, araştırmacının sonuçlarının ne anlama geldiğini belirleyebilmesi ve bulgularını tüketiciye iletebilecek bir biçimde aktarması mümkündür. kolayca anlaşılmak.

Tablolama doğal olarak ham veriler için kategori oluşturulmasına, yanıtın düzenlenmesine ve kodlanmasına (kartların mekanik tablolama için makinelerde delinmesi ve çalıştırılması ve el ile tablolama için sıralanması ve okunması) bağlıdır.

Deneyimli araştırmacılar genellikle veri toplama araçlarını hazırladıkları veya oluşturdukları ve örnekleme planları yaptıkları gibi tabülasyon planları hazırlarlar. Deneyimsiz araştırmacılar, nadiren veri toplanana kadar tablolama planlarıyla ilgilenirler. Elbette, araştırmacının daha sonra istenen tüm tablolama serisini öngörmesi imkansızdır.

Araştırma sorununa ya da araştırma konusuna aşina olmalı, araştırmaya yol açan sorulara cevap verecek tablolar hazırlayabilmelidir. Araştırmacı, planların hazırlandığı planla ortak unsurları olan daha önceki araştırmalardan elde ettiği bulguları kullanırsa, yeterli tablo planlarını hazırlayabilmelidir.

Araştırma çalışmalarında, son çalışmada ele alınacak türden bir popülasyon örneği üzerindeki veri toplama aracını önceden test etmek daha iyi ve daha güvenli bir prosedürdür. Bu yolla, ne tür tablolaşmanın anlamlı olacağı ile ilgili bazı ipuçları genel olarak elde edilebilir.

Tablolama, tamamen manuel yöntemlerle yapılabilir; Bu el tablolama olarak bilinir. Alternatif olarak, veri toplanması için otomatik ve hızlı güç makinelerini kullanan mekanik yöntemlerle yapılabilir, işlem mekanik tablolama olarak bilinir.

Araştırmacı, çalışması için ayrıntılı tablolama planları çizmeden önce, hangi tablolama yöntemini kullanacağına karar vermelidir. Bu karar maliyet, zaman, personel vb. Gibi çeşitli hususlara dayanacaktır.

Hem elle yapılan tablolama hem de mekanik olarak yapılan tablolama prosedürlerinin kendi yararları ve sınırlamaları vardır. Araştırmacının bu değer ve ciddiyetlere karşı uyarısı, hangi yöntemin kendi problemine uygun olacağına karar vermek için daha iyi bir yoldur.

Bu iki tablolama yönteminin esasını kısaca gözden geçireceğiz:

(1) Mekanik tablolama, çok fazla büro işi ve özel işlemler içerir. Tabii ki, hızı kolaylaştırır ancak hız her zaman ekstra büro işleri için yeterli bir telafi olmayabilir.

(2) Tablolama işlemine başlamadan önce istenen tablo sayısına ve türüne karar verilmezse. makine-tabülasyon daha uygun olabilir. Ancak, eğer elle tablolama işleminin verimli olduğu düşünülürse, tablolama öncesinde çeşitli tür ve sayımların yapılacağı sıra belirlenir.

(3) Makine tabülasyonunun en büyük avantajı, çapraz sınıflandırmaları kolaylaştırmasıdır. Birçok değişkenin ilişkilendirileceği veya çapraz olarak sınıflandırılacağı büyük ölçekli çalışmalarda, makine tablolaması oldukça tercih edilir.

Bu nedenle mekanik tablolama, değişkenler arasında birçok karşılıklı korelasyon gerektiren çalışmalarda kullanılır. Ancak, toplam katılımcı sayısı azsa, sınıflandırma ilkesine uygun olarak bunların manuel olarak sayılması nispeten ekonomik olabilir.

(4) Çok sayıda kodlanmış bilgi ve her durum için gereken çeşitli delikli kartlar olduğunda, el çizelgesi tercih edilebilir.

(5) Verilerin nispeten kısa bir sürede delikli kartlarda yeni tablolamaya hazır bir formda tutulması istenirse, genellikle faydalıdır. Mekanik tablolama, sık aralıklarla aynı tür bilgilerin toplanması gereken periyodik çalışmalar veya anketler için kullanışlıdır.

(6) Sınıflandırma ve sayma işleminin, makine tarafından yapıldığında, elle yapılandan daha az hata üretme olasılığı daha düşüktür. Kuşkusuz, hatalar, makine tabülasyonunda ortaya çıkabilir ve ortaya çıkar ve bunlar meydana geldiğinde, tespit edilmesi ve kontrol edilmesi genellikle çok zordur.

Anketin kodlama, düzenleme veya saha çalışması aşamalarında tespit edilen herhangi bir hata, makine-tablolama çalışmasını kaldırabilir. Bu nedenle, saha çalışması ile birlikte elle yapılan tablolama işlemine devam etmek çoğu zaman arzu edilir.

(7) Tablolama işlemlerinin maliyeti, araştırmacı için önemli bir husustur. Makine tabülasyonu genellikle delikli kartların çoğu, delme ve doğrulama için ücretlendirme, sıralama ve mastarlama makineleri için makine ücretleri ve belirli tipte makine operatörlerinin özel hizmetlerinin özel hizmetlerini işe alma masrafları nedeniyle çok daha fazla maliyet gerektirir tablolama.

(8) Bir diğer önemli husus zamandır. Mekanik çizelgelemede, çizelgeleme çalışması çok kısa bir sürede yapılır, ancak hazırlık aşamaları, iş yerinden çıkmasıyla sonuçlanan belirli türdeki makinelerin işe alınmalarına neden olan eğitim, denetleme ve olası olmayan durumların hepsi de israfa neden olabilir. Zamanın

(9) Uygunluk hususları göz ardı edilemez. Mekanik tablolama işlenmemiş verilerin proje ofisten uzakta bir ofise gönderilmesini gerektiriyorsa, paketleme, nakliye vb.

(10) Son olarak, kaydedilecek ve analiz edilecek yorumların miktarı da tablolama yöntemlerinin seçimini etkileyebilir. Bazı görüş anketlerinde, bilgi verenlerin sözlü yorumları önemlidir. Yalnızca el çizelgesinde kullanılan el kodu kartı, bu tür açıklamalar veya yorumlar için alan sağlayabilir.

Tablolama işini yapan makineler çok çeşitlidir. Bu alandaki gelişmeler son yıllarda oldukça hızlı olmuştur. Bazı makineler basitçe kartları sıralar ve sayır, diğerleri sonuçları sıralar, sayır ve yazdırır, diğerleri ise en karmaşık istatistiksel işlemleri veya hesaplamaları yapacak şekilde donatılmıştır.

Bu son bahsedilen makineler son derece karmaşıktır ve hattaki bir uzman tarafından verilen bir işlem için programlanmaları gerekir. A table is an exhibit of the numerical data systematically arranged in labelled columns (vertical) and rows (horizontal).

A simple or elementary table indicates simple counts of the frequencies with which the various categories in each set occur in the data, for example, the number of people in the sample who have attended high school but not passed, the number of people who have attended college but not graduated and so on. The table given below simply points out the frequencies of visits of fifty respondents to the cinema.

In research, we are often interested in finding out the correlation between two or more variables, eg, education and income and fertility, simple tables (illustrated above) showing frequency distribution of the respondents in respect of a single characteristic, eg, education or income or fertility, do not help us see the relationship among two or more variables.

The way to see the relationship is by preparing cross-tables or breakdown tables. Such tables make possible the grouping of cases that occur jointly in two or more categories, for example, tabulation of the number of cases that are high in education, low in income and have between 2 and 3 children, or the number of cases that are low in education, low in income and have between 4 and 5 children and so on. The most elementary form of cross-tabulation the students are familiar with is the college time-table.

Suppose a researcher wants to see the relationship among three variables, viz., occupation, income and fertility. He must employ a scheme of tabulation that will afford all possible combinations of the different categories of these three variables.

Cross- tabulation of the data on a hypothetical sample of 100 persons may be presented as under:

In the above table, we have indicated the number of children in rows. This variable of fertility has been divided into five categories, ie, no issue, 1 to 2 issues, 3 to 4, 5 to 6, 7 and above. So in the margin on the left hand, we have these 5 categories of fertility. We have indicated the income of 100 respondents in columns.

The income variable has been sub-divided into five categories, ie, below Rs.200, Rs.201-400, 401-600, 601-800, 801-1000. Thus, we have five columns corresponding to these categories.

Again since we have one more variable, ie, occupation to accommodate, the columns for income have each been sub-divided into two parts corresponding to the two categories in which the occupations have been divided, ie, white collar occupation and blue-collar occupation.

Thus, we have ten vertical columns, corresponding to income and occupation. The number of horizontal rows we have for the categories of the fertility variable is five. Thus, we have ten columns crossed by five rows making up the body of the table.

The intersection of the columns and rows has effected 50 (fifty) cells or boxes. Each of these boxes or cells houses a particular number of cases which are different from those in other cells either in respect of income or occupation, in fertility or in any two of these or in all of these. Let us read the table to get some idea as to what it represents.

Out of the total sample of 100 cases, there are 25 who have between 3 and 4 issues. Of these 25, reading from the left-hand side, 5 persons (with between 3 and 4 children) have income below Rs.200/- and are employed in white-collar occupations.

Two persons (with between 3 and 4 children) have income below Rs.200 and are employed in blue- collar occupations. Let us now take the second row. Of the total respondents, 38 have between 1 and 2 children. 11 (in the 7th cell) who have between 1 and 2 children are from the income group Rs.601 to Rs.800 and are employed in white-collar occupation.

This exercise should make it very clear that cross-tabulation is an essential step in the discovery of or testing of relationships among the variables contained in the data.

Tabulation is a means to present data in a summarized form in a way that facilitates the required statistical calculations. Data may, however, be presented in other ways, ie, instead of presenting them in a tabular form, the researcher may present them in the form of diagrams or graphs. Such diagrammatic or graphic representations do have the merit of being intelligible to a less knowledgeable reader.

But they suffer from the limitation that they are not so useful as a basis for statistical calculations. Let us now proceed to discuss the next operation, ie, the statistical analysis of data. Tabulation is a prerequisite or a first step in this direction.

Step # 4. Statistical Analysis of Data :

In research, we are not concerned with each individual respondent. The purpose of research is broader than this. That is, we wish to know much more than simply that a given respondent, for example, has extremely favourable attitude toward disarmament and that another respondent has moderately unfavorable attitudes toward the same issue. But this information is just not enough.

Social science researches are generally directed toward providing information about a particular population of respondents mostly via a sample. The sample of the totality might be asked certain questions related to the problem of our study, or be subjected to some form of observation.

Let us suppose that we have asked a sample of a thousand college students studying in 'post-graduate' classes a series of questions with a view to securing information about their study habits. Our research would thus be directed toward providing information about the 'population' of 'post-graduate' students of which the thousand cases is a sample.

As a necessary step to characterizing this 'population', we would have to describe or summarize the information about study habits that we have obtained on the sample thereof. Tabulation is just a part of this step. In addition, we must estimate the reliability of generalizations of the 'population' from the obtained data. Statistical methods are useful in fulfilling both these ends.