បញ្ហា (The Problem)៖ តំបន់ដីសណ្ដទន្លេមេគង្គ ជាពិសេសខេត្ត An Giang និង Can Tho កំពុងប្រឈមមុខនឹងបញ្ហាកង្វះខាតទឹកកាន់តែធ្ងន់ធ្ងរ ដែលប៉ះពាល់ផ្ទាល់ដល់ជីវភាពរស់នៅ ការផលិតស្រូវ និងបង្កើតឱ្យមានការព្រួយបារម្ភផ្នែកសង្គមនិងសេដ្ឋកិច្ចសម្រាប់ប្រជាកសិករ។ ការសិក្សានេះវាយតម្លៃពីកម្រិតនៃការយល់ដឹង និងផលប៉ះពាល់ដែលកសិករទទួលបានពីគ្រោះធម្មជាតិនេះ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យស្ទង់មតិដោយផ្ទាល់ពីកសិករ ដោយអនុវត្តវិធីសាស្ត្រវិភាគស្ថិតិ និងការរកអថេរដើម្បីវាស់ស្ទង់ផលប៉ះពាល់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Exploratory Factor Analysis (EFA) ការវិភាគកត្តាស្វែងរក (EFA) |
ជួយបង្រួមអថេរវាយតម្លៃជាច្រើនទៅជាក្រុមកត្តាតិចតួចដែលអាចពន្យល់បានច្បាស់លាស់ (បែងចែកជាផលប៉ះពាល់សេដ្ឋកិច្ច និងផលប៉ះពាល់សង្គម)។ | ត្រូវការទិន្នន័យដែលមានទំហំសំណាកធំគ្រប់គ្រាន់ និងទាមទារឱ្យអថេរមានទំនាក់ទំនងគ្នាខ្លាំង (KMO > 0.5) ទើបអាចអនុវត្តបាន។ | បានបង្កើតកត្តាធំ២គឺ TĐXH (ផលប៉ះពាល់សង្គម) និង TĐTTIEP (ផលប៉ះពាល់សេដ្ឋកិច្ចផ្ទាល់) ដែលមានតម្លៃ Eigenvalue > 1 និងអាចពន្យល់ពីបំរែបំរួលទិន្នន័យបានជាង ៧០%។ |
| Multiple Linear Regression ការវិភាគតំរែតំរង់លីនេអ៊ែរពហុគុណ |
ជួយវាយតម្លៃទំនាក់ទំនង និងទិសដៅនៃឥទ្ធិពលរវាងអថេរឯករាជ្យ (កម្រិតកង្វះខាតទឹក, ចំណូល, ការអប់រំ) ទៅលើការយល់ដឹងពីផលប៉ះពាល់។ | មិនអាចបញ្ជាក់ពីទំនាក់ទំនងហេតុនិងផលដោយដាច់ខាតនោះទេ ហើយអាចរងឥទ្ធិពលពីអថេរដែលមិនបានបញ្ចូលក្នុងម៉ូដែល (Omitted variable bias)។ | រកឃើញថាកម្រិតកង្វះខាតទឹក និងការអប់រំមានទំនាក់ទំនងស្របគ្នាជាមួយការយល់ដឹងពីផលប៉ះពាល់ ចំណែកឯកម្រិតចំណូលមានទំនាក់ទំនងច្រាសទិសជាមួយនឹងការយល់ដឹងពីផលប៉ះពាល់សង្គម។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើការប្រមូលទិន្នន័យបឋមតាមរយៈការចុះស្ទង់មតិផ្ទាល់នៅមូលដ្ឋាន និងតម្រូវឱ្យមានកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគស្ថិតិ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងខេត្ត An Giang និង Can Tho នៃប្រទេសវៀតណាម ជាមួយនឹងគំរូគ្រួសារដាំស្រូវចំនួន ៤០១ ដោយប្រមូលទិន្នន័យតាមរយៈការជ្រើសរើសគំរូតាមស្រទាប់។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទភូមិសាស្ត្រនិងសេដ្ឋកិច្ចសង្គមនៃតំបន់ដីសណ្ដទន្លេមេគង្គភាគខាងក្រោម។ របកគំហើញនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ព្រោះតំបន់វាលទំនាបនិងខេត្តជាប់ទន្លេមេគង្គ (ដូចជា ព្រៃវែង តាកែវ និងកណ្តាល) ក៏កំពុងប្រឈមនឹងបញ្ហាកង្វះខាតទឹក និងការប្រែប្រួលអាកាសធាតុស្រដៀងគ្នានេះ ដែលទាមទារឱ្យមានការយកចិត្តទុកដាក់លើយន្តការបន្ស៊ាំ។
វិធីសាស្ត្រវាយតម្លៃនិងគំរូនៃការស្រាវជ្រាវនេះ មានប្រយោជន៍ខ្លាំងណាស់ក្នុងការយកមកអនុវត្តនៅកម្ពុជា ដើម្បីស្វែងយល់ពីផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុ។
ជារួម ការអនុវត្តការសិក្សាបែបនេះនៅកម្ពុជានឹងផ្តល់ទិន្នន័យជាក់ស្តែង (Evidence-based) សម្រាប់ជួយដល់ការបង្កើតគោលនយោបាយកសិកម្ម ដែលឆ្លើយតបបានយ៉ាងមានប្រសិទ្ធភាពទៅនឹងហានិភ័យនៃការប្រែប្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Exploratory Factor Analysis (EFA) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីបង្រួមអថេរឬសំណួរជាច្រើន (ឧទាហរណ៍ សំណួរវាយតម្លៃរាប់សិប) ទៅជាក្រុមកត្តាធំៗពីរបីដែលអាចពន្យល់ពីទិន្នន័យទាំងនោះបានងាយស្រួល ដូចជាការចងក្រងសំណួរទាក់ទងនឹងចំណាយ និងទិន្នផលទៅជាកត្តាតែមួយគឺ 'កត្តាសេដ្ឋកិច្ច'។ | ដូចជាការរៀបចំសម្លៀកបំពាក់រាប់រយខោអាវដែលរាយប៉ាយ ដាក់ចូលទៅក្នុងទូដោយបែងចែកជា ៣ ទៅ ៤ ថតធំៗ (ខោ អាវ ស្រោមជើង) ដើម្បីងាយស្រួលរក។ |
| Cronbach's Alpha | ជារង្វាស់ស្ថិតិសម្រាប់វាយតម្លៃ 'ភាពជឿជាក់' (Reliability) នៃកម្រងសំណួរ ថាតើសំណួរដែលស្ថិតក្នុងក្រុមតែមួយពិតជាកំពុងវាស់ស្ទង់បញ្ហាតែមួយឬអត់ (ជាទូទៅតម្លៃ > 0.6 ឬ 0.7 គឺអាចទទួលយកបានក្នុងការស្រាវជ្រាវ)។ | ដូចជាការថ្លឹងគីឡូរបស់របរមួយនៅលើជញ្ជីង៣ផ្សេងគ្នា បើជញ្ជីងទាំង៣បង្ហាញទម្ងន់ដូចគ្នាឬប្រហាក់ប្រហែលគ្នា នោះមានន័យថាជញ្ជីងនោះអាចជឿទុកចិត្តបាន។ |
| Stratified sampling | ជាបច្ចេកទេសជ្រើសរើសគំរូទិន្នន័យដោយបែងចែកប្រជាជនសរុបទៅជាក្រុមតូចៗ (ស្រទាប់) ជាមុនសិន ផ្អែកលើលក្ខណៈរួម (ដូចជា ទំហំដី កម្រិតប្រាក់ចំណូល) រួចទើបជ្រើសរើសដោយចៃដន្យចេញពីក្រុមនីមួយៗនោះ ដើម្បីធានាបាននូវភាពចម្រុះនិងតំណាងឱ្យប្រជាជនសរុបបានល្អ។ | ដូចជាការភ្លក់រសជាតិសម្លឆ្នាំងធំមួយ ដោយយើងដួសយកទាំងសាច់ បន្លែ និងទឹកស៊ុបក្នុងបរិមាណសមាមាត្រគ្នា ដើម្បីធានាថាបានភ្លក់គ្រប់រសជាតិពិតប្រាកដ មិនមែនដួសប៉ះតែសាច់នោះទេ។ |
| Linear Regression | គឺជាការវិភាគស្ថិតិដែលប្រើដើម្បីស្វែងយល់ពីទំនាក់ទំនងរវាងអថេរឯករាជ្យមួយឬច្រើន (ដូចជា កម្រិតកង្វះខាតទឹក កម្រិតវប្បធម៌) ថាមានឥទ្ធិពលយ៉ាងណាទៅលើអថេរអាស្រ័យ (ដូចជា ការយល់ដឹងពីផលប៉ះពាល់) ព្រមទាំងប្រើសម្រាប់ធ្វើការទស្សន៍ទាយផងដែរ។ | ដូចជាការគូសបន្ទាត់ត្រង់មួយកាត់តាមចំណុចទិន្នន័យជាច្រើន ដើម្បីមើលថាតើនៅពេលយើងបន្ថែមជីមួយគីឡូ ទិន្នផលស្រូវនឹងកើនឡើងប៉ុន្មានគីឡូយ៉ាងច្បាស់លាស់។ |
| Eigenvalue | ជាតម្លៃតួលេខនៅក្នុងការវិភាគកត្តា (Factor Analysis) ដែលបង្ហាញពីទំហំនៃបំរែបំរួលទិន្នន័យដែលកត្តានីមួយៗអាចពន្យល់បាន។ កត្តាដែលមានតម្លៃ Eigenvalue ធំជាង ១ ទើបត្រូវបានអ្នកស្រាវជ្រាវរក្សាទុកសម្រាប់ប្រើប្រាស់ក្នុងម៉ូដែល។ | ដូចជាពិន្ទុវាយតម្លៃភាពសំខាន់របស់សមាជិកក្នុងក្រុម បើនរណាម្នាក់មានពិន្ទុខ្ពស់ (Eigenvalue > 1) នោះគេជាអ្នកមានឥទ្ធិពលខ្លាំង និងត្រូវបានជ្រើសរើសជាតំណាងក្រុម។ |
| Multicollinearity | ជាបាតុភូតមួយនៅក្នុងម៉ូដែលតំរែតំរង់ (Regression) នៅពេលដែលអថេរឯករាជ្យពីរឬច្រើនមានទំនាក់ទំនងគ្នាខ្លាំងពេក (កម្រិតខ្ពស់) ដែលធ្វើឱ្យពិបាកក្នុងការកំណត់ថាតើអថេរមួយណាពិតជាអ្នកផ្តល់ឥទ្ធិពលពិតប្រាកដទៅលើលទ្ធផល។ វាត្រូវបានត្រួតពិនិត្យដោយប្រព័ន្ធ VIF។ | ដូចជាមានអ្នករុញឡានពីរនាក់ដែលមានកម្លាំងប៉ុនគ្នានិងរុញក្នុងពេលតែមួយ ធ្វើឱ្យយើងមិនអាចដឹងច្បាស់ថាឡានរំកិលទៅមុខដោយសារកម្លាំងអ្នកណាច្រើនជាងនោះទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
