បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការកែលម្អភាពត្រឹមត្រូវក្នុងការប៉ាន់ស្មានមធ្យមសាកល (Population mean) នៅក្នុងការជ្រើសរើសគំរូចៃដន្យសាមញ្ញ ដោយកាត់បន្ថយកំហុសការេមធ្យម (MSE) តាមរយៈអថេរជំនួយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតឧបករណ៍ប៉ាន់ស្មានផលគុណថ្មីចំនួនបួន ដោយរួមបញ្ចូលនូវប៉ារ៉ាម៉ែត្រនៃអថេរជំនួយ និងប្រៀបធៀបប្រសិទ្ធភាពរបស់វាជាមួយនឹងវិធីសាស្ត្រមុនៗដោយប្រើប្រាស់ទិន្នន័យជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Existing Product Estimators (e.g., Pandey & Dubey) ឧបករណ៍ប៉ាន់ស្មានផលគុណដែលមានស្រាប់ |
ងាយស្រួលប្រើប្រាស់នៅពេលអថេរជំនួយ និងអថេរសិក្សាមានទំនាក់ទំនងអវិជ្ជមានដោយមិនត្រូវការទិន្នន័យស្មុគស្មាញច្រើន។ | មិនបានប្រើប្រាស់ព័ត៌មានបន្ថែមដូចជាក្វាទីលនៃអថេរជំនួយ ដែលធ្វើឱ្យប្រសិទ្ធភាព និងសុក្រឹតភាពនៅមានកម្រិតនៅឡើយ។ | ត្រូវបានប្រើជាគោល (Baseline) សម្រាប់ការប្រៀបធៀបប្រសិទ្ធភាពរបស់ឧបករណ៍ថ្មី។ |
| Proposed Estimator 1 (y_AS1) ឧបករណ៍ប៉ាន់ស្មានដែលបានស្នើឡើងទី១ (ប្រើប្រាស់ចន្លោះអន្តរក្វាទីល និងមេគុណភាពវៀច) |
ផ្តល់ប្រសិទ្ធភាពខ្ពស់ជាងវិធីសាស្ត្រចាស់ៗ និងកាត់បន្ថយកំហុសការេមធ្យម (MSE) បានយ៉ាងល្អប្រសើរ។ | ទាមទារឱ្យមានទិន្នន័យអថេរជំនួយគ្រប់គ្រាន់ ដើម្បីគណនាក្វាទីល និងមេគុណភាពវៀចបានត្រឹមត្រូវ។ | ទទួលបានប្រសិទ្ធភាពធៀបភាគរយ (PRE) រហូតដល់ ៣២៧.៤១% បើធៀបនឹងឧបករណ៍ប៉ាន់ស្មានរបស់ Pandey & Dubey។ |
| Proposed Estimator 3 (y_AS3) ឧបករណ៍ប៉ាន់ស្មានដែលបានស្នើឡើងទី៣ (ប្រើប្រាស់មធ្យមក្វាទីល និងមេគុណភាពវៀច) |
ជាឧបករណ៍ដែលផ្តល់ប្រសិទ្ធភាពខ្ពស់បំផុតក្នុងការសិក្សានេះសម្រាប់ការប៉ាន់ស្មានមធ្យមប្រជាករទាំងមូល។ | ទោះបីជាផ្តល់កំហុសការេមធ្យមតូចបំផុត ប៉ុន្តែលទ្ធផលមានភាពលម្អៀង (Biased) បន្តិចបន្តួច និងត្រូវការការគណនាស្មុគស្មាញជាងវិធីបុរាណ។ | ទទួលបានប្រសិទ្ធភាពធៀបភាគរយ (PRE) ខ្ពស់បំផុតរហូតដល់ ៣៥០.៧៩% បើធៀបនឹងឧបករណ៍ប៉ាន់ស្មានបុរាណ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ច្បាស់លាស់ពីការចំណាយលើធនធានកុំព្យូទ័រនោះទេ ប៉ុន្តែជាទូទៅការវិភាគនេះតម្រូវឱ្យមានកម្មវិធីកុំព្យូទ័រផ្នែកស្ថិតិ និងសំណុំទិន្នន័យសមស្រប។
ការសិក្សានេះបានសាកល្បងលើសំណុំទិន្នន័យពីសហរដ្ឋអាមេរិកស្តីពីពន្ធប្រេងឥន្ធនៈម៉ូតូ និងប្រវែងផ្លូវជាតិ ដែលមានទំហំគំរូតូចខ្លាំង (N=48, n=15) តាំងពីឆ្នាំ១៩៨០។ ទិន្នន័យនេះមិនឆ្លុះបញ្ចាំងពីបរិបទសេដ្ឋកិច្ច ឬភូមិសាស្ត្ររបស់ប្រទេសកម្ពុជានោះទេ ប៉ុន្តែទ្រឹស្តីស្ថិតិដែលបានអភិវឌ្ឍន៍អាចយកមកអនុវត្តជាសកលលើសំណុំទិន្នន័យផ្សេងៗដែលមានលក្ខណៈស្រដៀងគ្នា។
វិធីសាស្ត្រប៉ាន់ស្មានដោយប្រើអថេរជំនួយនេះ មានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការធ្វើជំរឿន ឬការស្ទង់មតិដែលការប្រមូលទិន្នន័យជាក់ស្តែងមានការលំបាក និងចំណាយខ្ពស់។
ជារួម ការបញ្ជ្រាបប៉ារ៉ាម៉ែត្រក្វាទីល និងរូបរាងរបាយនៃទិន្នន័យទៅក្នុងឧបករណ៍ប៉ាន់ស្មាន នឹងជួយឱ្យអ្នកស្រាវជ្រាវ និងស្ថាប័នកម្ពុជាអាចទាញយកការសន្និដ្ឋានអំពីប្រជាករទាំងមូលបានកាន់តែសុក្រឹត ទោះបីជាមានទំហំគំរូតូចក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Product Estimator (ឧបករណ៍ប៉ាន់ស្មានផលគុណ) | វិធីសាស្ត្រគណនាក្នុងស្ថិតិដែលត្រូវបានប្រើដើម្បីប៉ាន់ស្មានមធ្យមនៃប្រជាករ ដោយពឹងផ្អែកលើអថេរជំនួយដែលមានទំនាក់ទំនងអវិជ្ជមាន (negative correlation) ជាមួយនឹងអថេរសិក្សា។ | ដូចជាការទស្សន៍ទាយថាថ្ងៃនេះនឹងលក់ឆ័ត្រដាច់តិចតួច ដោយមើលឃើញថាសីតុណ្ហភាពខាងក្រៅកំពុងតែកើនឡើងក្ដៅខ្លាំង (កាលណាអថេរមួយឡើង អថេរមួយទៀតចុះ)។ |
| Auxiliary Variable (អថេរជំនួយ) | អថេរបន្ថែមដែលគេដឹងតម្លៃមុនរួចរាល់ ហើយមានទំនាក់ទំនងជាមួយនឹងអថេរចម្បងដែលគេចង់សិក្សា។ វាត្រូវបានប្រើប្រាស់ដើម្បីជួយឱ្យការប៉ាន់ស្មានតម្លៃអថេរចម្បងមានភាពសុក្រឹតជាងមុន។ | ដូចជាការប្រើប្រាស់ព័ត៌មានអំពី 'កម្ពស់' របស់មនុស្សម្នាក់ ដើម្បីជួយទាយ 'ទម្ងន់' របស់គាត់ឱ្យកាន់តែជិតការពិត។ |
| Coefficient of Kurtosis (មេគុណភាពកំពូល) | រង្វាស់ស្ថិតិដែលបង្ហាញពីភាពស្រួច ឬសំប៉ែតនៃកំពូលរបាយទិន្នន័យ (distribution) ក៏ដូចជាកម្រិតនៃទិន្នន័យដែលនៅចុងសងខាង (tails) បើធៀបនឹងរបាយធម្មតា (normal distribution)។ | ដូចជាការវាស់ថាតើភ្នំមួយមានកំពូលស្រួចខ្លាំង ឬរាបស្មើ បើប្រៀបធៀបទៅនឹងភ្នំទូទៅ។ |
| Coefficient of Skewness (មេគុណភាពវៀច) | រង្វាស់ដែលវាស់ពីភាពមិនស៊ីមេទ្រី (អតុល្យភាព) នៃរបាយទិន្នន័យ ដែលប្រាប់យើងថាតើទិន្នន័យភាគច្រើនផ្ដុំគ្នានៅខាងឆ្វេង ឬខាងស្ដាំនៃចំណុចកណ្តាល (មធ្យមភាគ)។ | ដូចជាជញ្ជីងដែលមានទម្ងន់ធ្ងន់ផ្អៀងទៅតែម្ខាង ដែលបង្ហាញថាទិន្នន័យមិនមានតុល្យភាពស្មើគ្នាសងខាង។ |
| Inter-quartile range (ចន្លោះអន្តរក្វាទីល) | រង្វាស់នៃការបែកខ្ញែកទិន្នន័យ ដោយវាស់គម្លាតរវាងក្វាទីលទី១ (២៥%) និងក្វាទីលទី៣ (៧៥%) ដែលតំណាងឱ្យពាក់កណ្តាលកណ្តាលនៃសំណុំទិន្នន័យ ដោយមិនរាប់បញ្ចូលទិន្នន័យដែលខុសគេខ្លាំងពេកនៅចុងសងខាង (outliers)។ | ដូចជាការមិនរាប់បញ្ចូលសិស្សដែលរៀនពូកែបំផុតលំដាប់កំពូល និងខ្សោយបំផុតនៅបាតតារាង ហើយផ្តោតមើលតែពិន្ទុរបស់សិស្សកម្រិតមធ្យមភាគច្រើននៅក្នុងថ្នាក់ដើម្បីវាយតម្លៃកម្រិតសិក្សារួម។ |
| Mean Square Error (កំហុសការេមធ្យម) | រង្វាស់នៃកម្រិតភាពត្រឹមត្រូវនៃម៉ូដែលប៉ាន់ស្មាន ដោយគណនាមធ្យមនៃការេនៃគម្លាតរវាងតម្លៃដែលម៉ូដែលទាយបាន និងតម្លៃពិតប្រាកដ។ កាលណាតម្លៃនេះកាន់តែតូច ការប៉ាន់ស្មានកាន់តែមានភាពត្រឹមត្រូវ។ | ដូចជាការវាស់ចម្ងាយសរុបនៃគ្រាប់ព្រួញនីមួយៗដែលអ្នកបាញ់ខុសពីចំណុចកណ្តាលនៃផ្ទាំងស៊ីប កាលណាចម្ងាយសរុបកាន់តែខ្លី ន័យថាអ្នកបាញ់កាន់តែចំគោលដៅ។ |
| Simple Random Sampling (ការជ្រើសរើសគំរូចៃដន្យសាមញ្ញ) | វិធីសាស្ត្រទាញយកគំរូពីប្រជាករដែលសមាជិកនីមួយៗមានឱកាសស្មើៗគ្នាក្នុងការត្រូវបានជ្រើសរើស ដើម្បីធានាថាសំណុំទំរូមានភាពជាតំណាងល្អ និងគ្មានការលម្អៀង។ | ដូចជាការចាប់ឆ្នោតផ្សងសំណាង ដោយសន្លឹកឆ្នោតទាំងអស់ត្រូវបានក្រឡុកចូលគ្នាយ៉ាងសព្វ ហើយចាប់យកមួយៗដោយមិនមើលមុន។ |
| Percent Relative Efficiency (ប្រសិទ្ធភាពធៀបភាគរយ) | វិធីប្រៀបធៀបប្រសិទ្ធភាពរវាងឧបករណ៍ប៉ាន់ស្មានពីរ ដោយយកកំហុសការេមធ្យម (MSE) របស់វាចែកនឹងគ្នា ហើយគុណនឹង១០០។ បើតម្លៃនេះធំជាង ១០០% មានន័យថាឧបករណ៍ប៉ាន់ស្មានដែលស្នើឡើងមានប្រសិទ្ធភាពជាងឧបករណ៍គោល។ | ដូចជាការប្រៀបធៀបកម្រិតស៊ីសាំងរវាងម៉ូតូពីរគ្រឿង បើលទ្ធផលលើសពី ១០០% បានន័យថាម៉ូតូថ្មីរត់បានឆ្ងាយជាងនិងសន្សំសំចៃជាងម៉ូតូចាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
