မင်္ဂလာပါ ခင်ဗျာ။ ကျွန်တော်တို့ မေးခွန်းလွှာတွေ အဆင်သင့်ဖြစ်ပြီဆိုရင် အဲ့ဒီမေးခွန်းတွေကို ဘယ်သူတွေကို မေးမှာလဲဆိုတဲ့ Sampling (နမူနာကောက်ယူခြင်း) အဆင့်ကို ရောက်ရှိလာပါပြီ။ ၁။ Population (လူဦးရေ) နှင့် Sample (နမူနာ) ဆိုတာဘာလဲ? Population: သင်လေ့လာချင်တဲ့ အုပ်စုတစ်ခုလုံးကို ဆိုလိုပါတယ်။ (ဥပမာ - မြန်မာနိုင်ငံရှိ SME လုပ်ငန်းရှင် အားလုံး) Sample: အချိန်နဲ့ ငွေကြေး အကန့်အသတ်ကြောင့် Population ထဲကနေ ကိုယ်စားပြုအဖြစ် ရွေးချယ်လိုက်တဲ့ လူအနည်းငယ်ကို ဆိုလိုပါတယ်။ (ဥပမာ - SME လုပ်ငန်းရှင် ၄၀၀ ဦး) ၂။ နမူနာ ကောက်ယူခြင်းရဲ့ အရေးကြီးပုံ ဟင်းအိုးကြီးတစ်အိုး အရသာရှိမရှိ သိဖို့ ဟင်းအိုးတစ်ခုလုံး ကုန်အောင် သောက်ကြည့်စရာ မလိုပါဘူး။ ဇွန်းတစ်ဇွန်းစာ (Sample) ကို သေချာနှံ့အောင် မွှေပြီး မြည်းကြည့်ရုံနဲ့ သိနိုင်ပါတယ်။ ဒါပေမဲ့ အဲ့ဒီဇွန်းထဲမှာ အသားရော၊ အရည်ရော၊ ဟင်းခတ်အမွှေးအကြိုင်ရော မျှတစွာ ပါဝင်ဖို့တော့ လိုအပ်ပါတယ်။ ဒါကို Representativeness (ကိုယ်စားပြုနိုင်မှု) လို့ ခေါ်ပါတယ်။ ၃။ နမူနာကောက်ယူခြင်း နည်းလမ်းများ (Sampling Methods) အဓိကအားဖြင့် (၂) မျိုး ရှိပါတယ်။ Probability Sampling (အခွင့်အရေးတူ ကောက်ယူခြင်း): လူတိုင်း ပါဝင်ခွင့်ရမယ့် အခွင့်အရေးတူတဲ့ နည်းလမ်းပါ။ (ဥပမာ - မဲနှိုက်ခြင်း) Simple Random, Systematic, Stratified, Cluster Sampling. Non-Probability Sampling: သုတေသီရဲ့ အဆင်ပြေမှု သို့မဟုတ် သတ်မှတ်ချက်ပေါ်မူတည်ပြီး ရွေးချယ်ခြင်း။ Convenience (တွေ့တဲ့လူမေး), Purposive (ရည်ရွယ်ချက်ရှိရှိ ရွေးမေး), Snowball (တစ်ဆင့်စကားနဲ့ လိုက်မေး). Quota (Population မှာပါဝင်တဲ့ အချိုးအစားလိုက်မေး) ၄။ နမူနာအရွယ်အစား (Sample Size) ကို ဘယ်လိုတွက်မလဲ? နမူနာ အရေအတွက် နည်းလွန်းရင် အဖြေက တိကျမှာမဟုတ်သလို၊ များလွန်းရင်လည်း အချိန်နဲ့ ငွေ အလဟဿ ဖြစ်တတ်ပါတယ်။ တွက်ချက်နည်း (၃) မျိုး ကိုဖော်ပြလိုက်ပါတယ် - Cochran’s Formula: Population အတိအကျ မသိတဲ့အခါ သုံးပါတယ်။ Yamate’s Formula (Taro Yamane): Population အတိအကျ သိတဲ့အခါ အလွန်ရိုးရှင်းတဲ့ ပုံသေနည်းပါ။ G*Power (ခေတ်မီ နည်းလမ်း): ဒါကတော့ အခုနောက်ပိုင်း PhD နဲ့ Master စာတမ်းတွေမှာ အသုံးအများဆုံးပါ။ 💡 G*Power ဆိုတာ ဘာလဲ? G*Power ဆိုတာ ဆော့ဖ်ဝဲလ်တစ်ခုဖြစ်ပြီး သင့်ရဲ့ သုတေသနမှာသုံးမယ့် Statistical Test (ဥပမာ - Regression, T-Test) ပေါ်မူတည်ပြီး လိုအပ်တဲ့ Sample Size ကို တိတိကျကျ တွက်ချက်ပေးတာပါ။ ဥပမာ: သင်က IV (၃) ခုနဲ့ Multiple Regression စမ်းသပ်မယ်ဆိုရင် - Effect size (0.15) Alpha (0.05) Power (0.95) စတာတွေကို ရိုက်ထည့်လိုက်တာနဲ့ G*Power က သင့်အတွက် လိုအပ်တဲ့ Sample Size ကို (ဥပမာ - ၁၁၉ ဦး) လို့ အလိုအလျောက် တွက်ထုတ်ပေးမှာ ဖြစ်ပါတယ်။ Professional Insight သုတေသန စာတမ်းတစ်ခုမှာ "ဘာကြောင့် ဒီ Sample Size ကို ယူရတာလဲ" လို့ မေးလာရင် "စိတ်ထဲရှိသလောက် ယူလိုက်တာပါ" လို့ ဖြေလို့ မရပါဘူး။ "G*Power အရ တွက်ချက်ထားတာပါ" သို့မဟုတ် "Taro Yamane အရ ယူထားတာပါ" လို့ ခိုင်ခိုင်မာမာ ဖြေနိုင်ဖို့ လိုအပ်ပါတယ်ခင်ဗျာ။ 🛡️ G*Power ၏ ခိုင်မာအားကောင်းပုံ (Robustness) G*Power ဟာ သုတေသနလောကမှာ Statistical Power Analysis အတွက် "Gold Standard" တစ်ခုအဖြစ် သတ်မှတ်ခံထားရပါတယ်။ သူ့ရဲ့ အားသာချက်တွေကတော့ - Precision (တိကျမှု): ရိုးရှင်းတဲ့ ပုံသေနည်းတွေ (ဥပမာ - Taro Yamane) ဟာ Population အပေါ်မှာပဲ အခြေခံပေမဲ့၊ G*Power ကတော့ သင်အသုံးပြုမယ့် Statistical Test (T-test, ANOVA, Regression) အမျိုးအစားအလိုက် တိကျတဲ့ Sample Size ကို တွက်ပေးနိုင်ပါတယ်။ Hypothesis Testing: G*Power ဟာ Type II Error (beta) ကို လျှော့ချပေးပြီး သုတေသနရဲ့ ရလဒ်ဟာ တိုက်ဆိုင်မှုမဟုတ်ဘဲ တကယ်ခိုင်မာကြောင်း ပြသနိုင်တဲ့ Power (1-beta) ကို သေချာစေပါတယ်။ Academic Acceptance: နိုင်ငံတကာ Q1, Q2 Journals တွေနဲ့ PhD စာတမ်းတွေမှာ G*Power နဲ့ တွက်ချက်ထားတဲ့ Sample Size ကို အငြင်းပွားဖွယ်မရှိ လက်ခံကြပါတယ်။ 🧮 G*Power ၏ တွက်ချက်နည်း ဖော်မြူလာ (The Formula Logic) G*Power ဟာ အဓိကအားဖြင့် Non-central Distribution သီအိုရီကို အခြေခံပြီး တွက်ချက်ပါတယ်။ သူ့ရဲ့ အခြေခံ Concept ကတော့ အောက်ပါ Variables (၄) ခုရဲ့ ဆက်စပ်မှုအပေါ် မူတည်ပါတယ် - Sample Size (N) = f(alpha, 1- beta, effect size, number of predictors) Alpha (alpha): Significance level (ပုံမှန်အားဖြင့် 0.05 ဟု ထားရှိသည်)။ Power (1-beta): သုတေသနရဲ့ အင်အား (ပုံမှန်အားဖြင့် 0.80 သို့မဟုတ် 0.95 ဟု ထားရှိသည်)။ Effect Size (f^2): IV တွေက DV အပေါ် သက်ရောက်မှု အနည်း၊ အများ (Cohen's criteria အရ 0.02 small, 0.15 medium, 0.35 large)။ ဥပမာအားဖြင့် Multiple Regression အတွက် G*Power သုံးတဲ့အခါ အောက်ပါ F-test ဖော်မြူလာကို အခြေခံပါတယ် - f^2 = R^2/(1-R^2) အဆိုပါ R^2 တန်ဖိုးပေါ် မူတည်ပြီး လိုအပ်တဲ့ Sample Size ကို Non-central F-distribution ဇယားများမှတစ်ဆင့် ဆော့ဖ်ဝဲလ်က တွက်ချက်ပေးတာဖြစ်ပါတယ်။ 📚 အဓိက ကိုးကားချက်များ (Key References) G*Power ကို အသုံးပြုပြီး စာတမ်းရေးသားတဲ့အခါ အောက်ပါစာတမ်းတွေကို Reference အဖြစ် သုံးစွဲရပါမယ် - Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175-191. (ဒါဟာ G*Power 3 နဲ့ ပတ်သက်တဲ့ မူရင်းနဲ့ အကိုးကားရဆုံး စာတမ်းဖြစ်ပါတယ်)။ Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149-1160. (Regression နဲ့ Correlation သုံးမယ့်သူတွေအတွက် အထူးသင့်လျော်တဲ့ Reference ပါ)။ Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. Lawrence Erlbaum Associates. (Effect Size သတ်မှတ်ချက်တွေအတွက် အခြေခံအကျဆုံး စာအုပ်ဖြစ်ပါတယ်)။ 💡 Professional Insight ကျောင်းသားတွေကို အကြံပေးချင်တာကတော့ Taro Yamane နဲ့ တွက်တာထက် G*Power နဲ့ တွက်တာက ပိုပြီး "Sophisticated" ဖြစ်သလို၊ Examiners တွေရဲ့ မေးခွန်းထုတ်မှုကိုလည်း ပိုမို ကြံ့ကြံ့ခံနိုင်ပါတယ်။ အထူးသဖြင့် Effect Size ကို 0.15 (Medium) ထားပြီး တွက်ချက်ခြင်းက Business Research တွေအတွက် အသင့်တော်ဆုံး ဖြစ်ပါတယ်။ "Choose the right sample to get the right insight!" 📣 ဆွေးနွေးကြရအောင် (Call to Action) ကျောင်းသားတွေနဲ့ လုပ်ငန်းရှင်များခင်ဗျာ - ကိုယ့်ရဲ့ သုတေသနမှာ လူဦးရေ (Population) ဘယ်လောက်ရှိမယ်လို့ ခန့်မှန်းထားလဲ? Sample Size တွက်ဖို့ G*Power ကို သုံးဖူးကြပြီလား? Comment မှာ ဆွေးနွေးသွားကြဖို့ ဖိတ်ခေါ်ပါတယ်ခင်ဗျာ။ #DrYeLwin #SamplingTechnique #PopulationVsSample #GPower #ResearchMethodology #SampleSize #BusinessResearch #DataCollection