సామాజిక గణాంక పరిశోధన యొక్క దశలు. గణాంక పరిశీలన: భావన, ప్రాథమిక రూపాలు

గణాంక పరిశోధన యొక్క మొదటి దశ ఫలితం - గణాంక పరిశీలన - గణాంక జనాభాలోని ప్రతి యూనిట్‌ను వర్గీకరించే సమాచారం. ఏది ఏమైనప్పటికీ, వ్యక్తిగత వాస్తవాల యొక్క పూర్తి లక్షణాన్ని కూడా ఉపయోగించి అధ్యయనం చేయబడిన దృగ్విషయం యొక్క డైనమిక్స్‌లో నమూనాలు మరియు పోకడలను ప్రతిబింబించే సామర్థ్యం పరిమితం. అటువంటి డేటా గణాంక సారాంశాల ఫలితంగా మాత్రమే పొందబడుతుంది. సారాంశం అనేది గణాంక పరిశీలన సమయంలో పొందిన గణాంక డేటా యొక్క అమరిక, క్రమబద్ధీకరణ మరియు సాధారణీకరణ. గణాంక సామగ్రి యొక్క సరైన ప్రాసెసింగ్ మాత్రమే సామాజిక-ఆర్థిక దృగ్విషయం యొక్క సారాంశం, వ్యక్తిగత రకాల యొక్క లక్షణ లక్షణాలు మరియు ముఖ్యమైన లక్షణాలను గుర్తించడం మరియు వాటి అభివృద్ధిలో నమూనాలు మరియు పోకడలను కనుగొనడం సాధ్యం చేస్తుంది. సాధారణ మరియు సమూహ నివేదికలు లేదా ఇరుకైన మరియు విస్తృత కోణంలో నివేదికలు ఉన్నాయి. సాధారణ సారాంశం అనేది సమూహాలు మరియు ఉప సమూహాలలో మొత్తం ఫలితాల గణన మరియు పట్టికలలో ఈ మెటీరియల్ యొక్క ప్రదర్శన. గణాంక డేటా యొక్క సాధారణ సారాంశం ఫలితంగా, సంస్థల సంఖ్య, మొత్తం సిబ్బంది సంఖ్య మరియు ద్రవ్య పరంగా ఉత్పత్తి చేయబడిన ఉత్పత్తుల పరిమాణాన్ని నిర్ణయించడం సాధ్యమవుతుంది. ఈ మొత్తం ఫలితాలు ప్రాథమికంగా సమాచార ప్రయోజనాల కోసం. అవి సంపూర్ణ విలువల రూపంలో జనాభా యొక్క సాధారణీకరించిన లక్షణాన్ని అందిస్తాయి.

సమూహ సారాంశం లేదా విస్తృత అర్థంలో సారాంశం అనేది ప్రాథమిక గణాంక డేటా యొక్క బహుపాక్షిక ప్రాసెసింగ్ యొక్క సంక్లిష్ట ప్రక్రియ, అనగా. పరిశీలన ఫలితంగా పొందిన డేటా. ఇది గణాంక డేటాను సమూహపరచడం, సమూహాలను వర్గీకరించడానికి సూచికల వ్యవస్థను అభివృద్ధి చేయడం, సమూహం మరియు మొత్తం ఫలితాలను లెక్కించడం మరియు సాధారణీకరించే సూచికలను లెక్కించడం వంటివి కలిగి ఉంటుంది. గణాంక పరిశోధన యొక్క రెండవ దశగా గణాంక సారాంశం యొక్క పని సమాచారం, సూచన మరియు విశ్లేషణాత్మక ప్రయోజనాల కోసం సాధారణ సూచికలను పొందడం. మాస్ స్టాటిస్టికల్ డేటా యొక్క సారాంశం ముందుగా అభివృద్ధి చేయబడిన ప్రోగ్రామ్ మరియు ప్రణాళిక ప్రకారం నిర్వహించబడుతుంది. ప్రోగ్రామ్ డెవలప్‌మెంట్ ప్రక్రియలో, సారాంశం యొక్క విషయం మరియు ప్రిడికేట్ నిర్ణయించబడతాయి. సబ్జెక్ట్ అనేది అధ్యయనం యొక్క వస్తువు, సమూహాలు మరియు ఉప సమూహాలుగా విభజించబడింది. ప్రిడికేట్ - సారాంశం యొక్క విషయాన్ని వర్గీకరించే సూచికలు. సారాంశ కార్యక్రమం గణాంక అధ్యయనం యొక్క లక్ష్యాల ద్వారా నిర్ణయించబడుతుంది.

గణాంక సారాంశం ముందుగా రూపొందించిన ప్రణాళిక ప్రకారం నిర్వహించబడుతుంది. సారాంశాల పరంగా, మానవీయంగా లేదా యాంత్రికంగా మరియు వ్యక్తిగత సమ్మషన్ ఆపరేషన్ల క్రమం గురించి సమాచారాన్ని సంగ్రహించే పనిని ఎలా నిర్వహించాలనే దాని గురించి ప్రశ్నలు సంధించబడతాయి. ప్రతి దశను పూర్తి చేయడానికి గడువులు మరియు మొత్తం సారాంశం, అలాగే సారాంశం యొక్క ఫలితాలను ప్రదర్శించే పద్ధతులు ఏర్పాటు చేయబడ్డాయి. ఇవి డిస్ట్రిబ్యూషన్ సిరీస్, స్టాటిస్టికల్ టేబుల్‌లు మరియు స్టాటిస్టికల్ గ్రాఫ్‌లు కావచ్చు.

గణాంక పరిశోధన యొక్క ప్రధాన దశలు

గణాంకాల యొక్క అతి ముఖ్యమైన పద్ధతిని పరిశీలిద్దాం - గణాంక పరిశీలన.

గణాంక పద్దతి యొక్క వివిధ పద్ధతులు మరియు సాంకేతికతలను ఉపయోగించడం

అధ్యయనం చేయబడిన దాని గురించి సమగ్రమైన మరియు నమ్మదగిన సమాచారం యొక్క లభ్యతను ఊహిస్తుంది

వస్తువు. సామూహిక సామాజిక దృగ్విషయాల అధ్యయనం సేకరణ దశలను కలిగి ఉంటుంది

గణాంక సమాచారం మరియు దాని ప్రాథమిక ప్రాసెసింగ్, సమాచారం మరియు సమూహం

పరిశీలన ఫలితాలు నిర్దిష్ట సంకలనాలు, సాధారణీకరణ మరియు విశ్లేషణ

అందుకున్న పదార్థాలు.

గణాంక పరిశోధన యొక్క మొదటి దశలో, ప్రాథమిక

గణాంక డేటా, లేదా ముడి గణాంక సమాచారం

భవిష్యత్ గణాంక భవనానికి పునాది. కాబట్టి భవనం ఉంది

దాని పునాది బలంగా, ధ్వనిగా మరియు అధిక నాణ్యతతో ఉండాలి. సేకరించేటప్పుడు ఉంటే

ప్రాథమిక గణాంక డేటాలో లోపం లేదా మెటీరియల్ ఉన్నట్లు తేలింది

నాణ్యత లేనిది, ఇది రెండింటి యొక్క ఖచ్చితత్వం మరియు విశ్వసనీయతను ప్రభావితం చేస్తుంది

సైద్ధాంతిక మరియు ఆచరణాత్మక ముగింపులు. అందువలన, గణాంక

ప్రాథమిక నుండి చివరి దశ వరకు పరిశీలన - తుది పొందడం

పదార్థాలు - జాగ్రత్తగా ఆలోచించి స్పష్టంగా నిర్వహించబడాలి.

గణాంక పరిశీలన సాధారణీకరణ, ప్రారంభానికి మూల పదార్థాన్ని అందిస్తుంది

ఇది సారాంశం పనిచేస్తుంది. దాని ప్రతి గురించి గణాంక పరిశీలన సమయంలో ఉంటే

యూనిట్ అనేక అంశాల నుండి దానిని వర్గీకరించే సమాచారాన్ని అందుకుంటుంది, ఆపై డేటా

నివేదికలు మొత్తం గణాంక జనాభా మరియు దాని వ్యక్తిగత భాగాలను వర్గీకరిస్తాయి.

ఈ దశలో, మొత్తం వ్యత్యాసాల ప్రకారం విభజించబడింది మరియు దాని ప్రకారం ఏకమవుతుంది

సారూప్యత యొక్క చిహ్నాలు, మొత్తం సూచికలు సమూహాలకు మరియు లో లెక్కించబడతాయి

సాధారణంగా. సమూహ పద్ధతిని ఉపయోగించి, అధ్యయనం చేయబడిన దృగ్విషయాలు చాలా ముఖ్యమైనవిగా విభజించబడ్డాయి

అవసరమైన లక్షణాల ప్రకారం రకాలు, లక్షణ సమూహాలు మరియు ఉప సమూహాలు. ఉపయోగించడం ద్వార

సమూహాలు ముఖ్యమైన అంశాలలో గుణాత్మకంగా సజాతీయంగా పరిమితం చేయబడ్డాయి

సంపూర్ణత, ఇది నిర్వచనం మరియు అనువర్తనానికి అవసరమైనది

సాధారణీకరణ సూచికలు.

సాధారణీకరణ సూచికలను ఉపయోగించి విశ్లేషణ యొక్క చివరి దశలో

సాపేక్ష మరియు సగటు విలువలు లెక్కించబడతాయి మరియు సారాంశ అంచనా ఇవ్వబడుతుంది

సంకేతాల వైవిధ్యాలు, దృగ్విషయం యొక్క డైనమిక్స్ వర్గీకరించబడతాయి, సూచికలు ఉపయోగించబడతాయి,

బ్యాలెన్స్ షీట్ నిర్మాణాలు, రద్దీని వివరించే సూచికలు లెక్కించబడతాయి

లక్షణాలలో మార్పులలో కనెక్షన్లు. అత్యంత హేతుబద్ధమైన మరియు దృశ్యమాన ప్రయోజనం కోసం

డిజిటల్ మెటీరియల్ యొక్క ప్రదర్శన పట్టికలు మరియు గ్రాఫ్‌ల రూపంలో ప్రదర్శించబడుతుంది.

3.గణాంక పరిశీలన: భావన, ప్రాథమిక రూపాలు.

ఇది డేటా సేకరణపై శాస్త్రీయ మరియు సంస్థాగత పని. ఫారమ్‌లు: స్టాట్. 1) రిపోర్టింగ్, పిల్లి. డాక్యుమెంటరీ అకౌంటింగ్ ఆధారంగా ఉంటుంది. 1998 నుండి, ఫెడరల్ స్టేట్ పర్యవేక్షణ యొక్క 4 ఏకీకృత రూపాలు ప్రవేశపెట్టబడ్డాయి: FP-1 (సంస్థల ఉత్పత్తి), FP-2 (పెట్టుబడి), FP-3 (సంస్థల ఆర్థిక స్థితి), FP-4 (సంఖ్య - కార్మికుల సంఖ్య, కార్మిక), 2) ప్రత్యేకంగా నిర్వహించబడిన పరిశీలన (జనగణన), 3) రిజిస్టర్ - ఇది యూనిట్ల సమితి, ప్రతి యూనిట్ పరిశీలన యొక్క cat.har-t: US యొక్క రిజిస్టర్లు- పరిశోధన, ఉత్పత్తి, నిర్మాణం మరియు కాంట్రాక్టు సంస్థలు, రిటైల్ మరియు టోకు వాణిజ్యం. పరిశీలన రకాలు: 1) నిరంతర, నిరంతరాయ (ఎంపిక, ప్రధాన శ్రేణి పద్ధతి, మోనోగ్రాఫ్ ఆధారంగా అర్హత పొందింది). పరిశీలన ప్రస్తుత, ఆవర్తన, ఒక-సమయం కావచ్చు. పరిశీలన పద్ధతులు: ప్రత్యక్ష, డాక్యుమెంటరీ, సర్వే (యాత్ర, ప్రశ్నాపత్రం, వ్యక్తిగత ప్రదర్శన, కరస్పాండెన్స్). గణాంక పరిశీలనలు ఒక ప్రణాళిక ప్రకారం నిర్వహించబడతాయి, ఇందులో ఇవి ఉన్నాయి: ప్రోగ్రామ్ మరియు పద్దతి సమస్యలు (లక్ష్యం, లక్ష్యాలు), సంస్థాగత సమస్యలు (సమయం, స్థలం). నిర్వహించిన పరిశీలనల ఫలితంగా, లోపాలు తలెత్తుతాయి, ఇది పరిశీలనల యొక్క ఖచ్చితత్వాన్ని తగ్గిస్తుంది, కాబట్టి డేటా నియంత్రణ నిర్వహించబడుతుంది (తార్కిక మరియు లెక్కింపు). డేటా యొక్క విశ్వసనీయతను తనిఖీ చేయడం ఫలితంగా, క్రింది పరిశీలన లోపాలు వెల్లడి చేయబడ్డాయి: యాదృచ్ఛికం. లోపాలు (రిజిస్ట్రేషన్ లోపాలు), ఉద్దేశపూర్వక లోపాలు, ఉద్దేశపూర్వక లోపాలు. (దైహిక మరియు నాన్-సిస్టమిక్), ప్రాతినిధ్యం యొక్క లోపాలు (ప్రాతినిధ్యత).

గణాంక పరిశీలన యొక్క ప్రోగ్రామ్ మరియు పద్దతి సమస్యలు.

గణాంక పరిశీలన యొక్క ప్రోగ్రామ్ మరియు పద్దతి సమస్యలు

ప్రతి పరిశీలన ఒక నిర్దిష్ట ప్రయోజనం కోసం నిర్వహించబడుతుంది. దానిని నిర్వహిస్తున్నప్పుడు, పరీక్షకు లోబడి ఉన్నదాన్ని స్థాపించడం అవసరం. కింది సమస్యలను పరిష్కరించాల్సిన అవసరం ఉంది:

పరిశీలన వస్తువు - సమాచారం సేకరించాల్సిన వస్తువులు మరియు దృగ్విషయాల సమితి. ఒక వస్తువును నిర్వచించేటప్పుడు, దాని ప్రధాన విలక్షణమైన లక్షణాలు (చిహ్నాలు) సూచించబడతాయి. సామూహిక పరిశీలన యొక్క ప్రతి వస్తువు వ్యక్తిగత యూనిట్లను కలిగి ఉంటుంది, కాబట్టి పరిశీలన యూనిట్‌గా ఉపయోగపడే మొత్తంలో ఏ మూలకం అనే ప్రశ్నను పరిష్కరించడం అవసరం.

పరిశీలన యూనిట్ - ఇది ఆబ్జెక్ట్ యొక్క కాంపోనెంట్ ఎలిమెంట్, ఇది రిజిస్ట్రేషన్‌కు సంబంధించిన లక్షణాల క్యారియర్ మరియు ఖాతా యొక్క ఆధారం.

జనాభా గణన - ఇవి పరిశీలన వస్తువుకు కొన్ని పరిమాణాత్మక పరిమితులు.

సంతకం చేయండి - ఇది అధ్యయనం చేయబడుతున్న జనాభా యూనిట్లలో అంతర్లీనంగా ఉన్న కొన్ని లక్షణాలు మరియు లక్షణాలను వర్ణించే ఆస్తి.

గణాంక పరిశీలన యొక్క సంస్థాగత సమస్యలు.

ప్రాథమిక డేటా నమోదు చేయబడిన రూపాల (ప్రశ్నపత్రాలు, ఫారమ్‌లు) రూపంలో పరిశీలన కార్యక్రమం రూపొందించబడింది. ఫారమ్‌లకు అవసరమైన అదనంగా ప్రశ్నల అర్థాన్ని వివరించే సూచనలు.

ప్రోగ్రామ్ యొక్క సంస్థాగత సమస్యలు:

పరిశీలన కాలం;

పరిశీలన యొక్క క్లిష్టమైన క్షణం;

సన్నాహక పని;

నమోదు చేయబడిన సమాచారం సంబంధించిన పరిశీలన కాలం. ఆబ్జెక్టివ్ పరిశీలన సమయం అని పిలుస్తారు. ఇది కావచ్చు ఒక నిర్దిష్ట కాలం (రోజు, దశాబ్దం, నెల) లేదా ఒక నిర్దిష్ట క్షణం. రికార్డ్ చేయబడిన సమాచారంతో సంబంధం ఉన్న క్షణాన్ని పరిశీలన యొక్క క్లిష్టమైన క్షణం అంటారు.

ఉదాహరణకు, 94 యొక్క సూక్ష్మ జనాభా గణన యొక్క క్లిష్టమైన క్షణం. ఫిబ్రవరి 13-14 రాత్రి 0.00 గంటలు. పరిశీలన యొక్క క్లిష్టమైన క్షణాన్ని స్థాపించడం ద్వారా, ఫోటోగ్రాఫిక్ ఖచ్చితత్వంతో వ్యవహారాల యొక్క నిజమైన స్థితిని గుర్తించడం సాధ్యపడుతుంది.

ప్రిపరేటరీ పనిలో పత్రాలతో నిఘా అందించడం, అలాగే రిపోర్టింగ్ యూనిట్లు, ఫారమ్‌లు మరియు సూచనల జాబితాను కంపైల్ చేయడం.

పరిశీలన సమయంలో లేదా దాని ఫలితాల ఆధారంగా పత్రాలు పూరించబడతాయి.

సన్నాహక పని వ్యవస్థలో ఒక ముఖ్యమైన ప్రదేశం సిబ్బంది ఎంపిక మరియు శిక్షణ, అలాగే పరిశీలనలో పాల్గొనే వారి బ్రీఫింగ్.

ఏదైనా గణాంక అధ్యయనం పని యొక్క మూడు పరస్పర సంబంధం ఉన్న దశలపై ఆధారపడి ఉంటుంది:

1) గణాంక పరిశీలన;

2) పరిశీలన డేటా యొక్క సారాంశం మరియు సమూహం;

3) సారాంశ ఫలితాల శాస్త్రీయ ప్రాసెసింగ్ మరియు విశ్లేషణ. గణాంక అధ్యయనం యొక్క ప్రతి తదుపరి దశ మునుపటి (మునుపటి) దశల పనిని నిర్వహించబడితే నిర్వహించబడుతుంది.

గణాంక పరిశీలన అనేది గణాంక పరిశోధన యొక్క మొదటి దశ.

గణాంక పరిశీలన- ఇది ఒక నిర్దిష్ట సామాజిక మరియు ప్రత్యేకించి, ఆర్థిక దృగ్విషయాలు లేదా ప్రక్రియల గురించిన క్రమబద్ధమైన, శాస్త్రీయంగా వ్యవస్థీకృత సమాచార సేకరణ.

గణాంక పరిశీలనలు చాలా వైవిధ్యమైనవి మరియు అధ్యయనం చేయబడిన దృగ్విషయాల స్వభావం, సంస్థ యొక్క రూపం, పరిశీలన సమయం మరియు అధ్యయనం చేయబడిన దృగ్విషయం యొక్క సంపూర్ణతలో విభిన్నంగా ఉంటాయి. ఇందుకు సంబంధించి చేపట్టారు వ్యక్తిగత లక్షణాల ప్రకారం గణాంక పరిశీలనల వర్గీకరణ .

1. సంస్థ రూపం ప్రకారంగణాంక పరిశీలనలు రిపోర్టింగ్ మరియు ప్రత్యేకంగా నిర్వహించబడిన గణాంక పరిశీలనలుగా విభజించబడ్డాయి.

నివేదించడం– ఇది గణాంక పరిశీలన యొక్క ప్రధాన సంస్థాగత రూపం, ఇది నివేదికలు అని పిలువబడే ప్రత్యేక ఫారమ్‌లలో వారి కార్యకలాపాలకు సంబంధించిన వివిధ అంశాల గురించి సంస్థలు, సంస్థలు మరియు సంస్థల నుండి సమాచారాన్ని సేకరించడం వరకు ఉంటుంది. రిపోర్టింగ్ తప్పనిసరి. రిపోర్టింగ్ తయారు చేయబడిన కాల వ్యవధిని బట్టి ప్రాథమిక మరియు కరెంట్‌గా విభజించబడింది.

ప్రాథమిక రిపోర్టింగ్అని కూడా పిలవబడుతుంది వార్షికమరియు ఎంటర్‌ప్రైజ్ కార్యకలాపాల యొక్క అన్ని అంశాలను కవర్ చేసే విస్తృత శ్రేణి సూచికలను కలిగి ఉంటుంది.

ప్రస్తుత రిపోర్టింగ్వివిధ కాల వ్యవధిలో ఏడాది పొడవునా ప్రదర్శించబడుతుంది.

అయితే, రిపోర్టింగ్ నుండి పొందడం ప్రాథమికంగా అసాధ్యమైన డేటా మరియు దానిలో చేర్చడానికి అనుచితమైన డేటా ఉన్నాయి. ఈ రెండు రకాల డేటాను పొందేందుకు ప్రత్యేకంగా నిర్వహించబడిన గణాంక పరిశీలనలు ఉపయోగించబడతాయి - వివిధ రకాల సర్వేలు మరియు జనాభా లెక్కలు.

గణాంక సర్వేలు- ఇవి ప్రత్యేకంగా నిర్వహించబడిన పరిశీలనలు, దీనిలో అధ్యయనం చేయబడిన దృగ్విషయాల సమితి నిర్దిష్ట వ్యవధిలో గమనించబడుతుంది.

జనాభా గణన- ఇది ప్రత్యేకంగా నిర్వహించబడిన గణాంక పరిశీలన యొక్క ఒక రూపం, దీనిలో అధ్యయనం చేయబడిన దృగ్విషయాల సమితి ఏదో ఒక తేదీన (కొన్ని క్షణంలో) గమనించబడుతుంది.

2. సమయం ఆధారంగాఅన్ని గణాంక పరిశీలనలు నిరంతర మరియు నిరంతరాయంగా విభజించబడ్డాయి.

నిరంతర (ప్రస్తుత) గణాంక పరిశీలన- ఇది కాలక్రమేణా నిరంతరం నిర్వహించబడే పరిశీలన. ఈ రకమైన పరిశీలనతో, వ్యక్తిగత దృగ్విషయాలు, వాస్తవాలు మరియు సంఘటనలు సంభవించినప్పుడు నమోదు చేయబడతాయి.

అడపాదడపా గణాంక పరిశీలన- ఇది గమనించిన దృగ్విషయం, వాస్తవాలు, సంఘటనలు నిరంతరంగా కాకుండా, సమానమైన లేదా అసమాన కాల వ్యవధిలో నమోదు చేయబడే పరిశీలన. నిరంతర పర్యవేక్షణలో రెండు రకాలు ఉన్నాయి - ఆవర్తన మరియు ఒక-సమయం. ఆవర్తననిరంతర పరిశీలన అని పిలుస్తారు, ఇది సమాన వ్యవధి వ్యవధిలో నిర్వహించబడుతుంది. ఒక్కసారిఅసమాన వ్యవధి లేదా ఒక-సమయం స్వభావం కలిగిన కాల వ్యవధిలో నిర్వహించబడే పరిశీలన అని పిలుస్తారు.

3. అధ్యయనం చేసిన ద్రవ్యరాశి యొక్క కవరేజ్ యొక్క సంపూర్ణత ఆధారంగాదృగ్విషయాలు, వాస్తవాలు, సంఘటనలు, గణాంక పరిశీలనలు నిరంతర మరియు నిరంతరాయంగా లేదా పాక్షికంగా విభజించబడ్డాయి.

నిరంతర పరిశీలనఅధ్యయనంలో ఉన్న జనాభాను ఏర్పరిచే దృగ్విషయాలు, వాస్తవాలు, సంఘటనలు మినహాయింపు లేకుండా అన్నింటినీ పరిగణనలోకి తీసుకోవడం లక్ష్యంగా పెట్టుకుంది.

పాక్షిక పరిశీలనఅధ్యయనంలో ఉన్న జనాభాను రూపొందించే దృగ్విషయాలు, వాస్తవాలు, సంఘటనలలో కొంత భాగాన్ని మాత్రమే పరిగణనలోకి తీసుకోవడం లక్ష్యంగా పెట్టుకుంది.

వస్తువులు మరియు దృగ్విషయాల యొక్క పరిమాణాత్మక అంశాలను అధ్యయనం చేసే భావన చాలా కాలం క్రితం ఏర్పడింది, ఒక వ్యక్తి సమాచారంతో పనిచేయడంలో ప్రాథమిక నైపుణ్యాలను అభివృద్ధి చేసిన క్షణం నుండి. ఏదేమైనా, మన కాలానికి వచ్చిన “గణాంకాలు” అనే పదం లాటిన్ భాష నుండి చాలా తరువాత తీసుకోబడింది మరియు “స్థితి” అనే పదం నుండి వచ్చింది, అంటే “ఒక నిర్దిష్ట స్థితి”. "స్టేటస్" అనేది "రాజకీయ రాష్ట్రం" అనే అర్థంలో కూడా ఉపయోగించబడింది మరియు దాదాపు అన్ని యూరోపియన్ భాషలలో ఈ అర్థ అర్థంలో పరిష్కరించబడింది: ఇంగ్లీష్ "స్టేట్", జర్మన్ "స్టాట్", ఇటాలియన్ "స్టాటో" మరియు దాని ఉత్పన్నం " స్టాటిస్టా” - రాష్ట్రంపై నిపుణుడు.

"గణాంకాలు" అనే పదం 18వ శతాబ్దంలో విస్తృతంగా ఉపయోగించబడింది మరియు "స్టేట్ సైన్స్" అనే అర్థంలో ఉపయోగించబడింది. గణాంకాలు అనేది సామాజిక జీవితంలోని దృగ్విషయాలు మరియు ప్రక్రియల గురించి ప్రజల వినియోగ డేటాను సేకరించడం, ప్రాసెస్ చేయడం, విశ్లేషించడం మరియు అందించడం లక్ష్యంగా ఉన్న ఆచరణాత్మక కార్యాచరణ యొక్క విభాగం.

విశ్లేషణ అనేది ఒక వస్తువు యొక్క వ్యక్తిగత అంశాలు మరియు భాగాలను పరిగణనలోకి తీసుకోవడం ద్వారా శాస్త్రీయంగా అధ్యయనం చేసే పద్ధతి.

ఆర్థిక-గణాంక విశ్లేషణ అనేది అధ్యయనంలో ఉన్న దృగ్విషయం మరియు ప్రక్రియల యొక్క తగినంత ప్రతిబింబాన్ని నియంత్రించడానికి సాంప్రదాయ గణాంక మరియు గణిత-గణాంక పద్ధతుల యొక్క విస్తృత ఉపయోగం ఆధారంగా ఒక పద్దతిని అభివృద్ధి చేయడం.

గణాంక పరిశోధన యొక్క దశలు. గణాంక పరిశోధన మూడు దశల్లో జరుగుతుంది:

• 1) గణాంక పరిశీలన;
• 2) పొందిన డేటా సారాంశం;
• 3) గణాంక విశ్లేషణ.

మొదటి దశలో, మాస్ అబ్జర్వేషన్ పద్ధతిని ఉపయోగించి ప్రాథమిక గణాంక డేటా సేకరించబడుతుంది.

గణాంక పరిశోధన యొక్క రెండవ దశలో, సేకరించిన డేటా ప్రాథమిక ప్రాసెసింగ్, సారాంశం మరియు సమూహానికి లోనవుతుంది. సమూహ పద్ధతి సజాతీయ జనాభాను గుర్తించడానికి మరియు వాటిని సమూహాలు మరియు ఉప సమూహాలుగా విభజించడానికి మిమ్మల్ని అనుమతిస్తుంది. సారాంశం అనేది మొత్తం జనాభా మరియు దాని వ్యక్తిగత సమూహాలు మరియు ఉప సమూహాల కోసం ఫలితాలను పొందడం.

సమూహం మరియు సారాంశం ఫలితాలు గణాంక పట్టికల రూపంలో ప్రదర్శించబడతాయి. ఈ దశ యొక్క ప్రధాన విషయం ఏమిటంటే, ప్రతి పరిశీలన యూనిట్ యొక్క లక్షణాల నుండి మొత్తం జనాభా లేదా దాని సమూహాల యొక్క సారాంశ లక్షణాలకు మార్పు.

మూడవ దశలో, పొందిన సారాంశం డేటా సాధారణీకరించే సూచికల పద్ధతి ద్వారా విశ్లేషించబడుతుంది (సంపూర్ణ, సాపేక్ష మరియు సగటు విలువలు, వైవిధ్య సూచికలు, సూచిక వ్యవస్థలు, గణిత గణాంకాల పద్ధతులు, పట్టిక పద్ధతి, గ్రాఫికల్ పద్ధతి మొదలైనవి).

గణాంక విశ్లేషణ యొక్క ప్రాథమిక అంశాలు:

• 1) వాస్తవాల ఆమోదం మరియు వారి అంచనాను స్థాపించడం;
• 2) దృగ్విషయం యొక్క లక్షణ లక్షణాలు మరియు కారణాలను గుర్తించడం;
• 3) పోలిక కోసం ప్రాతిపదికగా తీసుకోబడిన సాధారణ, ప్రణాళిక మరియు ఇతర దృగ్విషయాలతో దృగ్విషయం యొక్క పోలిక;
• 4) ముగింపులు, అంచనాలు, ఊహలు మరియు పరికల్పనల సూత్రీకరణ;
• 5) పుట్ ఫార్వర్డ్ ఊహల యొక్క గణాంక పరీక్ష (పరికల్పనలు).

గణాంక డేటా యొక్క విశ్లేషణ మరియు సాధారణీకరణ అనేది గణాంక పరిశోధన యొక్క చివరి దశ, దీని యొక్క అంతిమ లక్ష్యం సామాజిక-ఆర్థిక దృగ్విషయం మరియు అధ్యయనం చేయబడిన ప్రక్రియల పోకడలు మరియు నమూనాల గురించి సైద్ధాంతిక ముగింపులు మరియు ఆచరణాత్మక ముగింపులు పొందడం. గణాంక విశ్లేషణ యొక్క లక్ష్యాలు: అధ్యయనం చేయబడిన దృగ్విషయాలు మరియు ప్రక్రియల యొక్క నిర్దిష్టత మరియు లక్షణాలను నిర్ణయించడం మరియు అంచనా వేయడం, వాటి నిర్మాణం, సంబంధాలు మరియు వాటి అభివృద్ధి యొక్క నమూనాలను అధ్యయనం చేయడం.

డేటా యొక్క గణాంక విశ్లేషణ అధ్యయనంలో ఉన్న దృగ్విషయం యొక్క సారాంశం యొక్క సైద్ధాంతిక, గుణాత్మక విశ్లేషణ మరియు సంబంధిత పరిమాణాత్మక సాధనాలు, వాటి నిర్మాణం, కనెక్షన్లు మరియు డైనమిక్స్ యొక్క అధ్యయనంతో విడదీయరాని కనెక్షన్‌లో నిర్వహించబడుతుంది.

గణాంక విశ్లేషణ అనేది నిర్మాణం యొక్క లక్షణ లక్షణాలు, దృగ్విషయాల సంబంధాలు, పోకడలు, సామాజిక-ఆర్థిక దృగ్విషయాల అభివృద్ధి యొక్క నమూనాల అధ్యయనం, దీని కోసం నిర్దిష్ట ఆర్థిక-గణాంక మరియు గణిత-గణాంక పద్ధతులు ఉపయోగించబడతాయి. గణాంక విశ్లేషణ పొందిన ఫలితాల వివరణతో ముగుస్తుంది.

గణాంక విశ్లేషణలో, సంకేతాలు ఒకదానికొకటి వాటి ప్రభావం యొక్క స్వభావం ప్రకారం విభజించబడ్డాయి:

• 1. ఫలితాల లక్షణం - ఈ అధ్యయనంలో విశ్లేషించబడిన లక్షణం. జనాభాలోని వ్యక్తిగత అంశాలలో అటువంటి లక్షణం యొక్క వ్యక్తిగత కొలతలు ఒకటి లేదా అంతకంటే ఎక్కువ ఇతర లక్షణాల ద్వారా ప్రభావితమవుతాయి. మరో మాటలో చెప్పాలంటే, ఫలితం-లక్షణం ఇతర కారకాల పరస్పర చర్య యొక్క పర్యవసానంగా పరిగణించబడుతుంది;
• 2. సంకేతం-కారకం - అధ్యయనంలో ఉన్న లక్షణాన్ని ప్రభావితం చేసే సంకేతం (సంకేతం-ఫలితం). అంతేకాకుండా, కారకం-లక్షణం మరియు ఫలితం-లక్షణం మధ్య సంబంధాన్ని పరిమాణాత్మకంగా నిర్ణయించవచ్చు. గణాంకాలలో ఈ పదానికి పర్యాయపదాలు "కారకం లక్షణం", "కారకం". కారకం-లక్షణం మరియు బరువు-లక్షణం యొక్క భావనల మధ్య తేడాను గుర్తించడం అవసరం. బరువు లక్షణం అనేది గణనలలో తప్పనిసరిగా పరిగణనలోకి తీసుకోవలసిన లక్షణం. కానీ బరువు లక్షణం అధ్యయనం చేయబడుతున్న లక్షణాన్ని ప్రభావితం చేయదు. కారకం లక్షణాన్ని బరువు లక్షణంగా పరిగణించవచ్చు, అనగా, గణనలలో పరిగణనలోకి తీసుకుంటారు, కానీ ప్రతి బరువు లక్షణం కారకం లక్షణం కాదు. ఉదాహరణకు, విద్యార్థుల సమూహంలో చదువుతున్నప్పుడు, పరీక్షకు సిద్ధమయ్యే సమయం మరియు పరీక్షలో అందుకున్న పాయింట్ల సంఖ్య మధ్య సంబంధాన్ని, మూడవ లక్షణాన్ని కూడా పరిగణనలోకి తీసుకోవాలి: “నిర్దిష్ట స్కోర్ కోసం ధృవీకరించబడిన వ్యక్తుల సంఖ్య ." చివరి లక్షణం ఫలితాన్ని ప్రభావితం చేయదు, అయినప్పటికీ, ఇది విశ్లేషణాత్మక గణనలలో చేర్చబడుతుంది. ఈ రకమైన లక్షణాన్ని బరువు లక్షణం అని పిలుస్తారు మరియు కారకం లక్షణం కాదు.

విశ్లేషణ ప్రారంభించే ముందు, దాని విశ్వసనీయత మరియు ఖచ్చితత్వాన్ని నిర్ధారించడానికి షరతులు నెరవేరాయో లేదో తనిఖీ చేయడం అవసరం:

• - ప్రాథమిక డిజిటల్ డేటా యొక్క విశ్వసనీయత;
• - అధ్యయనం చేయబడిన జనాభా యొక్క కవరేజ్ యొక్క సంపూర్ణత;
• - సూచికల పోలిక (అకౌంటింగ్ యూనిట్లు, భూభాగం, గణన పద్ధతి ద్వారా).

గణాంక విశ్లేషణ యొక్క ప్రధాన అంశాలు:

• 1. పరికల్పన;
• 2. నిర్ణయాత్మక విధి మరియు నిర్ణయాత్మక నియమం;
• 3. సాధారణ జనాభా నుండి నమూనా;
• 4. సాధారణ జనాభా యొక్క లక్షణాల అంచనా;
• 5. విశ్వాస విరామం;
• 6. ధోరణి;
• 7. గణాంక సంబంధం.

విశ్లేషణ అనేది గణాంక పరిశోధన యొక్క చివరి దశ, దీని సారాంశం అధ్యయనం చేయబడిన దృగ్విషయం యొక్క సంబంధాలు మరియు నమూనాలను గుర్తించడం, తీర్మానాలు మరియు ప్రతిపాదనలను రూపొందించడం.

2.1 స్టాటిస్టికల్ స్టడీ డిజైన్

గణాంక డేటా విశ్లేషణ వ్యవస్థలు గణాంక పరిశోధన కోసం ఆధునిక, సమర్థవంతమైన సాధనం. ప్రత్యేక గణాంక విశ్లేషణ వ్యవస్థలు, అలాగే సార్వత్రిక సాధనాలు - Excel, Matlab, Mathcad మొదలైనవి, గణాంక డేటాను ప్రాసెస్ చేయడానికి పుష్కలమైన అవకాశాలను కలిగి ఉన్నాయి.

కానీ అత్యంత అధునాతన సాధనం కూడా పరిశోధకుడిని భర్తీ చేయదు, అతను అధ్యయనం యొక్క ఉద్దేశ్యాన్ని రూపొందించాలి, డేటాను సేకరించాలి, పద్ధతులు, విధానాలు, నమూనాలు మరియు డేటాను ప్రాసెస్ చేయడానికి మరియు విశ్లేషించడానికి సాధనాలను ఎంచుకోవాలి మరియు పొందిన ఫలితాలను అర్థం చేసుకోవాలి.

మూర్తి 2.1 గణాంక అధ్యయనం యొక్క రేఖాచిత్రాన్ని చూపుతుంది.

అత్తి 2.1 - గణాంక పరిశోధన యొక్క స్కీమాటిక్ రేఖాచిత్రం

గణాంక పరిశోధన యొక్క ప్రారంభ స్థానం సమస్య యొక్క సూత్రీకరణ. దానిని నిర్ణయించేటప్పుడు, అధ్యయనం యొక్క ఉద్దేశ్యం పరిగణనలోకి తీసుకోబడుతుంది, ఏ సమాచారం అవసరం మరియు నిర్ణయం తీసుకునేటప్పుడు అది ఎలా ఉపయోగించబడుతుందో నిర్ణయించబడుతుంది.

గణాంక అధ్యయనం సన్నాహక దశతో ప్రారంభమవుతుంది. సన్నాహక దశలో, విశ్లేషకులు అధ్యయనం చేస్తారు సాంకేతిక పని- అధ్యయనం యొక్క కస్టమర్ రూపొందించిన పత్రం. రిఫరెన్స్ నిబంధనలు తప్పనిసరిగా పరిశోధన యొక్క లక్ష్యాలను స్పష్టంగా పేర్కొనాలి:

పరిశోధన యొక్క వస్తువు నిర్ణయించబడుతుంది;

అధ్యయనం సమయంలో తప్పనిసరిగా నిర్ధారించబడే లేదా తిరస్కరించబడే ఊహలు మరియు పరికల్పనలు జాబితా చేయబడ్డాయి;

పరిశోధన ఫలితాలు ఎలా ఉపయోగించబడతాయో వివరిస్తుంది;

అధ్యయనం చేయవలసిన సమయ వ్యవధి మరియు అధ్యయనం కోసం బడ్జెట్.

సాంకేతిక లక్షణాల ఆధారంగా, ఇది అభివృద్ధి చేయబడింది విశ్లేషణాత్మక నివేదిక నిర్మాణం- అది, ఏ రూపంలోనైనాఅధ్యయనం యొక్క ఫలితాలు తప్పనిసరిగా సమర్పించబడాలి, అలాగే గణాంక పరిశీలన కార్యక్రమం. కార్యక్రమం అనేది పరిశీలన ప్రక్రియలో తప్పనిసరిగా నమోదు చేయవలసిన సంకేతాల జాబితా (లేదా ప్రతి సర్వే చేయబడిన పరిశీలన యూనిట్‌కు విశ్వసనీయ సమాధానాలు పొందవలసిన ప్రశ్నలు). ప్రోగ్రామ్ యొక్క కంటెంట్ గమనించిన వస్తువు యొక్క లక్షణాలు మరియు అధ్యయనం యొక్క లక్ష్యాలు, అలాగే సేకరించిన సమాచారం యొక్క తదుపరి ప్రాసెసింగ్ కోసం విశ్లేషకులు ఎంచుకున్న పద్ధతుల ద్వారా నిర్ణయించబడుతుంది.

గణాంక పరిశోధన యొక్క ప్రధాన దశ అవసరమైన డేటా సేకరణ మరియు వాటి విశ్లేషణను కలిగి ఉంటుంది.

పరిశోధన యొక్క చివరి దశ విశ్లేషణాత్మక నివేదికను రూపొందించడం మరియు దానిని కస్టమర్‌కు సమర్పించడం.

అంజీర్లో. మూర్తి 2.2 గణాంక డేటా విశ్లేషణ యొక్క రేఖాచిత్రాన్ని అందిస్తుంది.

Fig.2.2 - గణాంక విశ్లేషణ యొక్క ప్రధాన దశలు

2.2 గణాంక సమాచారం యొక్క సేకరణ

మెటీరియల్‌లను సేకరించడం అనేది అధ్యయనం యొక్క సాంకేతిక వివరణలను విశ్లేషించడం, అవసరమైన సమాచారం యొక్క మూలాలను గుర్తించడం మరియు (అవసరమైతే) ప్రశ్నాపత్రాలను అభివృద్ధి చేయడం. సమాచార వనరులను పరిశోధిస్తున్నప్పుడు, అవసరమైన మొత్తం డేటా విభజించబడింది ప్రాథమిక(అందుబాటులో లేని డేటా మరియు ఈ అధ్యయనం కోసం నేరుగా సేకరించాలి) మరియు ద్వితీయ(గతంలో ఇతర ప్రయోజనాల కోసం సేకరించబడింది).

సెకండరీ డేటా సేకరణను తరచుగా "డెస్క్" లేదా "లైబ్రరీ" పరిశోధనగా సూచిస్తారు.

ప్రాథమిక డేటాను సేకరించే ఉదాహరణలు: స్టోర్ సందర్శకులను గమనించడం, ఆసుపత్రి రోగులను సర్వే చేయడం, సమావేశంలో సమస్యను చర్చించడం.

సెకండరీ డేటా అంతర్గత మరియు బాహ్యంగా విభజించబడింది.

అంతర్గత ద్వితీయ డేటా మూలాధారాల ఉదాహరణలు:

సంస్థ యొక్క సమాచార వ్యవస్థ (అకౌంటింగ్ సబ్‌సిస్టమ్, సేల్స్ మేనేజ్‌మెంట్ సబ్‌సిస్టమ్, CRM (CRM సిస్టమ్, కస్టమర్ రిలేషన్‌షిప్ మేనేజ్‌మెంట్ కోసం చిన్నది) - కస్టమర్లతో పరస్పర చర్య చేయడానికి వ్యూహాలను ఆటోమేట్ చేయడానికి రూపొందించిన సంస్థల కోసం అప్లికేషన్ సాఫ్ట్‌వేర్ మరియు ఇతరులు);

మునుపటి అధ్యయనాలు;

ఉద్యోగుల నుండి వ్రాతపూర్వక నివేదికలు.

బాహ్య ద్వితీయ డేటా మూలాల ఉదాహరణలు:

గణాంక సంస్థలు మరియు ఇతర ప్రభుత్వ సంస్థల నుండి నివేదికలు;

మార్కెటింగ్ ఏజెన్సీలు, వృత్తిపరమైన సంఘాలు మొదలైన వాటి నుండి నివేదికలు;

ఎలక్ట్రానిక్ డేటాబేస్లు (చిరునామా డైరెక్టరీలు, GIS, మొదలైనవి);

గ్రంథాలయాలు;

మాస్ మీడియా.

డేటా సేకరణ దశలో ప్రధాన అవుట్‌పుట్‌లు:

ప్రణాళిక నమూనా పరిమాణం;

నమూనా నిర్మాణం (కోటాల ఉనికి మరియు పరిమాణం);

గణాంక పరిశీలన రకం (డేటా సేకరణ, సర్వే, ప్రశ్నాపత్రం, కొలత, ప్రయోగం, పరీక్ష మొదలైనవి);

సర్వే పారామితుల గురించి సమాచారం (ఉదాహరణకు, ప్రశ్నాపత్రాల తప్పుడు అవకాశం);

ప్రాసెసింగ్ కోసం ఎంచుకున్న ప్రోగ్రామ్ యొక్క డేటాబేస్లో ఎన్కోడింగ్ వేరియబుల్స్ కోసం పథకం;

డేటా మార్పిడి ప్రణాళిక;

ఉపయోగించిన గణాంక విధానాల ప్రణాళిక రేఖాచిత్రం.

ఇదే దశలో సర్వే ప్రక్రియ కూడా ఉంటుంది. వాస్తవానికి, ప్రశ్నాపత్రాలు ప్రాథమిక సమాచారాన్ని పొందేందుకు మాత్రమే అభివృద్ధి చేయబడ్డాయి.

అందుకున్న డేటాను సవరించాలి మరియు తదనుగుణంగా సిద్ధం చేయాలి. ప్రతి ప్రశ్నాపత్రం లేదా పరిశీలన ఫారమ్ తనిఖీ చేయబడుతుంది మరియు అవసరమైతే, సర్దుబాటు చేయబడుతుంది. ప్రతి సమాధానానికి సంఖ్యా లేదా అక్షరాల కోడ్‌లు కేటాయించబడతాయి - సమాచారం ఎన్‌కోడ్ చేయబడింది. డేటా తయారీలో డేటాను సవరించడం, లిప్యంతరీకరించడం మరియు తనిఖీ చేయడం, కోడింగ్ మరియు అవసరమైన పరివర్తనలు ఉంటాయి.

2.3 నమూనా లక్షణాల నిర్ధారణ

నియమం ప్రకారం, గణాంక విశ్లేషణ కోసం గణాంక పరిశీలన ఫలితంగా సేకరించిన డేటా నమూనా జనాభా. గణాంక పరిశోధన ప్రక్రియలో డేటా రూపాంతరం యొక్క క్రమాన్ని ఈ క్రింది విధంగా క్రమపద్ధతిలో సూచించవచ్చు (Fig. 2.3)

అత్తి 2.3 గణాంక డేటా మార్పిడి పథకం

నమూనాను విశ్లేషించడం ద్వారా, నమూనా ద్వారా ప్రాతినిధ్యం వహించే జనాభా గురించి తీర్మానాలు చేయడం సాధ్యపడుతుంది.

సాధారణ నమూనా పారామితుల తుది నిర్ణయంఅన్ని ప్రశ్నాపత్రాలు సేకరించిన తర్వాత రూపొందించబడింది. ఇది కలిగి ఉంటుంది:

ప్రతివాదుల వాస్తవ సంఖ్యను నిర్ణయించడం,

నమూనా నిర్మాణం యొక్క నిర్ణయం,

సర్వే ప్రదేశం వారీగా పంపిణీ,

నమూనా యొక్క గణాంక విశ్వసనీయత కోసం విశ్వాస స్థాయిని ఏర్పాటు చేయడం,

గణాంక లోపం యొక్క గణన మరియు నమూనా యొక్క ప్రాతినిధ్యం యొక్క నిర్ణయం.

వాస్తవ పరిమాణంప్రతివాదులు అనుకున్నదానికంటే ఎక్కువ లేదా తక్కువగా ఉండవచ్చు. మొదటి ఎంపిక విశ్లేషణకు ఉత్తమమైనది, కానీ అధ్యయనం యొక్క కస్టమర్‌కు ప్రతికూలమైనది. రెండవది పరిశోధన యొక్క నాణ్యతపై ప్రతికూల ప్రభావాన్ని చూపవచ్చు మరియు అందువల్ల విశ్లేషకులకు లేదా వినియోగదారులకు ప్రయోజనకరంగా ఉండదు.

నమూనా నిర్మాణంయాదృచ్ఛికంగా లేదా యాదృచ్ఛికంగా ఉండవచ్చు (ప్రతివాదులు గతంలో తెలిసిన ప్రమాణం ఆధారంగా ఎంపిక చేయబడ్డారు, ఉదాహరణకు, కోటా పద్ధతి ద్వారా). యాదృచ్ఛిక నమూనాలు ఒక ప్రియోరి ప్రతినిధి. యాదృచ్ఛికం కాని నమూనాలు ఉద్దేశపూర్వకంగా జనాభాకు ప్రాతినిధ్యం వహించకపోవచ్చు కానీ పరిశోధన కోసం ముఖ్యమైన సమాచారాన్ని అందిస్తాయి. ఈ సందర్భంలో, మీరు ప్రశ్నాపత్రం యొక్క వడపోత ప్రశ్నలను కూడా జాగ్రత్తగా పరిగణించాలి, ఇవి అవసరాలకు అనుగుణంగా లేని ప్రతివాదులను ఫిల్టర్ చేయడానికి ప్రత్యేకంగా రూపొందించబడ్డాయి.

కోసం అంచనా యొక్క ఖచ్చితత్వాన్ని నిర్ణయించడంఅన్నింటిలో మొదటిది, విశ్వాస స్థాయిని (95% లేదా 99%) సెట్ చేయడం అవసరం. అప్పుడు గరిష్టంగా గణాంక లోపంనమూనాగా లెక్కించబడుతుంది

లేదా
,

ఎక్కడ - నమూనా పరిమాణం, - అధ్యయనంలో ఉన్న సంఘటన సంభవించే సంభావ్యత (ప్రతివాదిని నమూనాలో చేర్చడం), - వ్యతిరేక సంఘటన యొక్క సంభావ్యత (ప్రతివాది నమూనాలో చేర్చబడలేదు), - విశ్వాస గుణకం,
- లక్షణం యొక్క వైవిధ్యం.

కాన్ఫిడెన్స్ ప్రాబబిలిటీ మరియు కాన్ఫిడెన్స్ కోఎఫీషియంట్స్ యొక్క అత్యంత సాధారణంగా ఉపయోగించే విలువలను టేబుల్ 2.4 చూపిస్తుంది.

పట్టిక 2.4

2.5 కంప్యూటర్‌లో డేటా ప్రాసెసింగ్

కంప్యూటర్‌ని ఉపయోగించి డేటాను విశ్లేషించడం అనేది అనేక అవసరమైన దశలను చేయడం.

1. సోర్స్ డేటా యొక్క నిర్మాణం యొక్క నిర్ణయం.

2. దాని నిర్మాణం మరియు ప్రోగ్రామ్ అవసరాలకు అనుగుణంగా కంప్యూటర్‌లోకి డేటాను నమోదు చేయడం. డేటాను సవరించడం మరియు మార్చడం.

3. అధ్యయనం యొక్క లక్ష్యాలకు అనుగుణంగా డేటా ప్రాసెసింగ్ పద్ధతిని పేర్కొనడం.

4. డేటా ప్రాసెసింగ్ ఫలితాన్ని పొందడం. దీన్ని సవరించడం మరియు అవసరమైన ఆకృతిలో సేవ్ చేయడం.

5. ప్రాసెసింగ్ ఫలితం యొక్క వివరణ.

ఏ కంప్యూటర్ ప్రోగ్రామ్ 1 (సన్నాహక) మరియు 5 (చివరి) దశలను నిర్వహించదు - పరిశోధకుడు వాటిని స్వయంగా చేస్తాడు. 2-4 దశలు ప్రోగ్రామ్‌ను ఉపయోగించి పరిశోధకుడిచే నిర్వహించబడతాయి, అయితే డేటాను సవరించడానికి మరియు మార్చడానికి అవసరమైన విధానాలు, డేటా ప్రాసెసింగ్ పద్ధతులు, అలాగే ప్రాసెసింగ్ ఫలితాలను ప్రదర్శించే ఆకృతిని పరిశోధకుడు నిర్ణయిస్తారు. కంప్యూటర్ యొక్క సహాయం (దశలు 2–4) అంతిమంగా సంఖ్యల సుదీర్ఘ శ్రేణి నుండి మరింత కాంపాక్ట్‌గా మారడం. కంప్యూటర్ యొక్క "ఇన్‌పుట్" వద్ద, పరిశోధకుడు ప్రాథమిక డేటా యొక్క శ్రేణిని సమర్పిస్తాడు, అది గ్రహణశక్తికి అందుబాటులో ఉండదు, కానీ కంప్యూటర్ ప్రాసెసింగ్‌కు అనుకూలంగా ఉంటుంది (దశ 2). అప్పుడు పరిశోధకుడు పని మరియు డేటా నిర్మాణం (స్టెప్ 3)కి అనుగుణంగా డేటాను ప్రాసెస్ చేయడానికి ప్రోగ్రామ్‌కు ఆదేశాన్ని ఇస్తాడు. “అవుట్‌పుట్” వద్ద, అతను ప్రాసెసింగ్ ఫలితాన్ని అందుకుంటాడు (స్టెప్ 4) - డేటా యొక్క శ్రేణి, కేవలం చిన్నది, గ్రహణశక్తి మరియు అర్థవంతమైన వివరణకు అందుబాటులో ఉంటుంది. అదే సమయంలో, డేటా యొక్క సమగ్ర విశ్లేషణ సాధారణంగా వివిధ పద్ధతులను ఉపయోగించి పునరావృత ప్రాసెసింగ్ అవసరం.

2.6 డేటా విశ్లేషణ వ్యూహాన్ని ఎంచుకోవడం

సేకరించిన డేటాను విశ్లేషించడానికి వ్యూహం యొక్క ఎంపిక అధ్యయనంలో ఉన్న సబ్జెక్ట్ యొక్క సైద్ధాంతిక మరియు ఆచరణాత్మక అంశాలు, సమాచారం యొక్క ప్రత్యేకతలు మరియు తెలిసిన లక్షణాలు, నిర్దిష్ట గణాంక పద్ధతుల లక్షణాలు, అలాగే అనుభవం మరియు వీక్షణలపై ఆధారపడి ఉంటుంది. పరిశోధకుడు.

డేటా విశ్లేషణ అధ్యయనం యొక్క చివరి లక్ష్యం కాదని గుర్తుంచుకోవాలి. నిర్దిష్ట సమస్యను పరిష్కరించడానికి మరియు తగిన నిర్వహణ నిర్ణయాలు తీసుకోవడంలో సహాయపడే సమాచారాన్ని పొందడం దీని లక్ష్యం. విశ్లేషణ వ్యూహం యొక్క ఎంపిక ప్రక్రియ యొక్క మునుపటి దశల ఫలితాల పరిశీలనతో ప్రారంభం కావాలి: సమస్యను నిర్వచించడం మరియు పరిశోధన ప్రణాళికను అభివృద్ధి చేయడం. పరిశోధన ప్రణాళిక యొక్క ఒక మూలకం వలె అభివృద్ధి చేయబడిన ప్రాథమిక డేటా విశ్లేషణ ప్రణాళిక "డ్రాఫ్ట్"గా ఉపయోగించబడుతుంది. పరిశోధన ప్రక్రియ యొక్క తదుపరి దశలలో అదనపు సమాచారం అందుబాటులోకి వచ్చినందున, కొన్ని మార్పులు చేయవలసి ఉంటుంది.

గణాంక పద్ధతులు ఒకటి మరియు మల్టీవియారిట్‌గా విభజించబడ్డాయి. నమూనాలోని అన్ని మూలకాలు ఒక సూచిక ద్వారా అంచనా వేయబడినప్పుడు లేదా ప్రతి మూలకం కోసం ఈ సూచికలు అనేకం ఉన్నట్లయితే, ప్రతి వేరియబుల్ మిగతా వాటి నుండి విడిగా విశ్లేషించబడినప్పుడు ఏకరూప పద్ధతులు ఉపయోగించబడతాయి.

ప్రతి నమూనా మూలకాన్ని మూల్యాంకనం చేయడానికి రెండు లేదా అంతకంటే ఎక్కువ కొలతలు ఉపయోగించినప్పుడు మరియు ఈ వేరియబుల్స్ ఏకకాలంలో విశ్లేషించబడినప్పుడు డేటా విశ్లేషణ కోసం మల్టీవియారిట్ పద్ధతులు అద్భుతమైనవి. దృగ్విషయాల మధ్య ఆధారపడటాన్ని గుర్తించడానికి ఇటువంటి పద్ధతులు ఉపయోగించబడతాయి.

మల్టీవియారిట్ పద్ధతులు అసమాన పద్ధతుల నుండి విభిన్నంగా ఉంటాయి, ప్రధానంగా వాటిని ఉపయోగించినప్పుడు, దృగ్విషయం యొక్క స్థాయిలు (సగటులు) మరియు పంపిణీలు (వ్యత్యాసాలు) నుండి దృష్టి మారుతుంది మరియు ఈ దృగ్విషయాల మధ్య సంబంధం (సహసంబంధం లేదా సహసంబంధం) స్థాయిపై దృష్టి పెడుతుంది.

విశ్లేషించబడుతున్న డేటా మెట్రిక్ లేదా నాన్-మెట్రిక్ అనే దాని ఆధారంగా ఏకరూప పద్ధతులను వర్గీకరించవచ్చు (మూర్తి 3). మెట్రిక్ డేటా ఇంటర్వెల్ స్కేల్ లేదా సాపేక్ష స్కేల్‌లో కొలుస్తారు. నాన్‌మెట్రిక్ డేటా నామమాత్ర లేదా ఆర్డినల్ స్కేల్‌లో అంచనా వేయబడుతుంది

అదనంగా, ఈ పద్ధతులు అధ్యయనంలో ఎన్ని నమూనాలు-ఒకటి, రెండు లేదా అంతకంటే ఎక్కువ-విశ్లేషించబడ్డాయి అనే దాని ఆధారంగా తరగతులుగా విభజించబడ్డాయి.

ఒక డైమెన్షనల్ స్టాటిస్టికల్ పద్ధతుల వర్గీకరణ అంజీర్ 2.4లో ప్రదర్శించబడింది.

అన్నం. 2.4 విశ్లేషించబడిన డేటా ఆధారంగా ఏకరూప గణాంక పద్ధతుల వర్గీకరణ

నమూనాల సంఖ్య నిర్దిష్ట విశ్లేషణ కోసం డేటా ఎలా నిర్వహించబడుతుందనే దాని ఆధారంగా నిర్ణయించబడుతుంది, డేటా ఎలా సేకరించబడింది అనే దాని ఆధారంగా కాదు. ఉదాహరణకు, మగ మరియు ఆడవారి డేటాను ఒకే నమూనాలో పొందవచ్చు, అయితే విశ్లేషణ లింగ భేదాల ఆధారంగా అవగాహనలో తేడాలను గుర్తించే లక్ష్యంతో ఉంటే, పరిశోధకుడు రెండు వేర్వేరు నమూనాలతో పనిచేయవలసి ఉంటుంది. నమూనాలు ఒకదానికొకటి ప్రయోగాత్మకంగా సంబంధం కలిగి ఉండకపోతే స్వతంత్రంగా పరిగణించబడతాయి. ఒక నమూనాలో తీసుకున్న కొలతలు మరొకదానిలోని వేరియబుల్స్ విలువలను ప్రభావితం చేయవు. విశ్లేషణ కోసం, స్త్రీలు మరియు మగవారి నుండి సేకరించినవి వంటి ప్రతివాదుల యొక్క వివిధ సమూహాల నుండి డేటా సాధారణంగా స్వతంత్ర నమూనాలుగా పరిగణించబడుతుంది.

మరోవైపు, రెండు నమూనాల డేటా ప్రతివాదుల యొక్క ఒకే సమూహాన్ని సూచిస్తే, నమూనాలు జత చేసినవిగా పరిగణించబడతాయి - ఆధారపడి ఉంటాయి.

మెట్రిక్ డేటా యొక్క ఒక నమూనా మాత్రమే ఉంటే, z-test మరియు t-test ఉపయోగించవచ్చు. రెండు లేదా అంతకంటే ఎక్కువ స్వతంత్ర నమూనాలు ఉన్నట్లయితే, మొదటి సందర్భంలో మీరు రెండు నమూనాల కోసం z- మరియు t-పరీక్షను ఉపయోగించవచ్చు, రెండవది - వ్యత్యాసం యొక్క వన్-వే విశ్లేషణ పద్ధతి. రెండు సంబంధిత నమూనాల కోసం, జత చేసిన t-పరీక్ష ఉపయోగించబడుతుంది. మేము ఒకే నమూనా నుండి నాన్-మెట్రిక్ డేటా గురించి మాట్లాడుతున్నట్లయితే, పరిశోధకుడు ఫ్రీక్వెన్సీ పంపిణీ పరీక్షలు, చి-స్క్వేర్, కోల్మోగోరోవ్-స్మిర్నోవ్ (K~S) పరీక్ష, సిరీస్ పరీక్ష మరియు ద్విపద పరీక్షలను ఉపయోగించవచ్చు. నాన్-మెట్రిక్ డేటాతో ఉన్న రెండు స్వతంత్ర నమూనాల కోసం, మీరు క్రింది విశ్లేషణ పద్ధతులను ఆశ్రయించవచ్చు: చి-స్క్వేర్, మన్-విట్నీ, మధ్యస్థాలు, K-S, వైవిధ్యం క్రుస్కాల్-వాలిస్ (ANOVA) యొక్క వన్-వే విశ్లేషణ. దీనికి విరుద్ధంగా, రెండు లేదా అంతకంటే ఎక్కువ సంబంధిత నమూనాలు ఉన్నట్లయితే, సైన్, మెక్‌నెమర్ మరియు విల్కాక్సన్ పరీక్షలను ఉపయోగించాలి.

మల్టీవియారిట్ గణాంక పద్ధతులు ఇప్పటికే ఉన్న నమూనాలను గుర్తించడం లక్ష్యంగా పెట్టుకున్నాయి: వేరియబుల్స్ యొక్క పరస్పర ఆధారపడటం, సంబంధం లేదా సంఘటనల క్రమం, అంతర్-వస్తువు సారూప్యత.

చాలా సాంప్రదాయకంగా, మేము ఐదు ప్రామాణిక రకాల నమూనాలను వేరు చేయవచ్చు, వీటిలో అధ్యయనం ముఖ్యమైన ఆసక్తిని కలిగి ఉంది: అసోసియేషన్, సీక్వెన్స్, వర్గీకరణ, క్లస్టరింగ్ మరియు ఫోర్కాస్టింగ్

అనేక సంఘటనలు ఒకదానికొకటి సంబంధం కలిగి ఉన్నప్పుడు అసోసియేషన్ ఏర్పడుతుంది. ఉదాహరణకు, ఒక సూపర్ మార్కెట్‌లో నిర్వహించిన ఒక అధ్యయనంలో మొక్కజొన్న చిప్‌లను కొనుగోలు చేసే వారిలో 65% మంది కోకా-కోలాను కూడా కొనుగోలు చేస్తారని మరియు అటువంటి సెట్‌కు తగ్గింపు ఉంటే, వారు 85% కేసులలో కోక్‌ను కొనుగోలు చేస్తారని చూపవచ్చు. అటువంటి సంఘం గురించి సమాచారాన్ని కలిగి ఉండటం వలన, అందించబడిన తగ్గింపు ఎంత ప్రభావవంతంగా ఉందో నిర్వాహకులు అంచనా వేయడం సులభం.

సమయానికి సంబంధించిన సంఘటనల గొలుసు ఉంటే, మేము ఒక క్రమం గురించి మాట్లాడుతాము. ఉదాహరణకు, ఒక ఇంటిని కొనుగోలు చేసిన తర్వాత, 45% కేసులలో, ఒక నెలలోపు కొత్త కిచెన్ స్టవ్ కొనుగోలు చేయబడుతుంది మరియు రెండు వారాల్లో, 60% కొత్త నివాసితులు రిఫ్రిజిరేటర్‌ను కొనుగోలు చేస్తారు.

వర్గీకరణ సహాయంతో, ఒక నిర్దిష్ట వస్తువుకు చెందిన సమూహాన్ని వర్గీకరించే సంకేతాలు గుర్తించబడతాయి. ఇది ఇప్పటికే వర్గీకరించబడిన వస్తువులను విశ్లేషించడం మరియు కొన్ని నియమాలను రూపొందించడం ద్వారా జరుగుతుంది.

వర్గీకరణ నుండి క్లస్టరింగ్ భిన్నంగా ఉంటుంది, దీనిలో సమూహాలు ముందే నిర్వచించబడలేదు. క్లస్టరింగ్ ఉపయోగించి, డేటా యొక్క వివిధ సజాతీయ సమూహాలు గుర్తించబడతాయి.

అన్ని రకాల అంచనా వ్యవస్థలకు ఆధారం సమయ శ్రేణి రూపంలో నిల్వ చేయబడిన చారిత్రక సమాచారం. లక్ష్య సూచికల ప్రవర్తన యొక్క డైనమిక్స్‌ను తగినంతగా ప్రతిబింబించే నమూనాలను నిర్మించడం సాధ్యమైతే, వారి సహాయంతో భవిష్యత్తులో సిస్టమ్ యొక్క ప్రవర్తనను అంచనా వేయడం సాధ్యమయ్యే అవకాశం ఉంది.

మల్టీవియారిట్ గణాంక పద్ధతులను సంబంధాల విశ్లేషణ పద్ధతులు మరియు వర్గీకరణ విశ్లేషణగా విభజించవచ్చు (Fig. 2.5).

అత్తి 2.5 - మల్టీవియారిట్ స్టాటిస్టికల్ పద్ధతుల వర్గీకరణ