नाममात्र डेटा परिभाषा;
नाममात्र डेटा एक लैटिन शब्द "नोमेन" से लिया गया है, जिसका अर्थ है नाम और जिसे लेबल डेटा या नामित डेटा भी कहा जा सकता है, जो मूल रूप से श्रेणीबद्ध डेटा को वर्गीकृत करने की प्रक्रिया है जहां हम उसी के खिलाफ कोई मात्रात्मक मान असाइन नहीं कर सकते हैं।
विशेषताएँ
- कोई भी मात्रा इसे नहीं सौंपी जा सकती है - हम नाममात्र डेटा को कोई मात्रात्मक पहलू असाइन नहीं कर सकते हैं। यह हमेशा नामकरण के रूप में होगा जहां सांख्यिकीय, तार्किक और संख्यात्मक विश्लेषण असंभव है, जिसका अर्थ है कि शोधकर्ता डेटा के साथ कोई जोड़, घटाव या गुणा नहीं कर सकता है।
- कोई आदेश वर्तमान नहीं - इस डेटा में कोई विशिष्ट आदेश मौजूद नहीं है, जब हम लिंग, वैवाहिक स्थिति और जनसांख्यिकी जैसे डेटा से निपटते हैं, इससे कोई फर्क नहीं पड़ता कि हम इन आंकड़ों को कैसे देखते हैं।
- गुणात्मक पहलू - एकत्रित किए गए डेटा में हमेशा यह गुणात्मक विशेषता होगी जहां प्रश्नावली के उत्तर के लिए प्रदान किए गए विकल्प अपने स्वयं के गुण में गुणात्मक हैं।
- मतलब गणना संभव नहीं - जब हम नाममात्र डेटा के साथ व्यवहार करते हैं तो हम इस गणना की गणना नहीं कर सकते। यदि डेटा सेट को वर्णमाला क्रम में व्यवस्थित किया जाता है, तो भी माध्य की गणना संभव नहीं है।
- मोड गणना की संभावना - उत्तरदाताओं के एक बड़े समूह से प्रस्तुत इस डेटा के लिए सबसे आम जवाब मोड है। मान लीजिए कि यदि किसी विशेष प्रश्न के लिए किसी एक प्रकार का उत्तर उत्तरदाताओं के बहुमत द्वारा प्रदान किया जाता है, तो उस विशेष उत्तर को अध्ययन का तरीका माना जाता है।
- ज्यादातर वर्णमाला प्रारूप में डेटा - नाममात्र डेटा के लिए ज्यादातर मामलों में, डेटा मुख्य रूप से वर्णानुक्रम में है और संख्यात्मक नहीं है।
नाममात्र के डेटा का उदाहरण
यहां हमने एक विश्वविद्यालय में अध्ययन करने वाले 3 कॉलेज छात्रों का उदाहरण लिया है और उनके लगातार तीन ट्राइमेस्टर के अध्ययन के लिए कुल अंक हैं। यहां एकत्र किए गए डेटा अक्षर या पाठ हैं, और हम इसके लिए कोई गणना निर्दिष्ट नहीं कर सकते। हालाँकि, हम अनन्य पाठ फ़ील्ड को असाइन किए गए प्रत्येक नंबर का औसत ज्ञात करके अंकों के कुल में पहुंचने के लिए डेटा को एक्सेल में समूहित कर सकते हैं।
नाममात्र डेटा का विश्लेषण कैसे करें?
- नाममात्र डेटा आमतौर पर उन सवालों का उपयोग करके एकत्र किया जाता है जो उत्तरदाताओं को जवाब देना चाहिए। उत्तरदाताओं को प्रश्नावली प्रदान की जाती है, जिसमें वे प्रश्न शामिल होते हैं जो खुले-समाप्त या बहु-विकल्प आधारित हो सकते हैं, जहाँ से चुनने के लिए बहुत सारे विकल्प होते हैं।
- तो मूल रूप से, डेटा एकत्र करने के तीन तरीके हैं। पहला ओपन-एंडेड प्रश्न, दूसरा बहुविकल्पी प्रश्न, और तीसरा बहुविकल्पीय प्रश्न का एक भाग, जहाँ उत्तरदाता "अन्य" के रूप में एक अलग श्रेणी का चयन करेंगे, जिसका अर्थ है कि विकल्पों की सूची में उत्तर का निकटतम विकल्प मौजूद नहीं है। दे और इस तरह प्रतिवादी "अन्य" चुनता है और एक खुले अंत प्रकार के रूप में जवाब का उल्लेख करता है।
- फिर इस डेटा का प्रतिशत और मोड के उपयोग के साथ विश्लेषण किया जाता है, जिसका अर्थ है कि एक प्रश्न के लिए एकत्रित सभी प्रतिक्रियाओं में से, जो कि उत्तर है जो सभी के बीच सबसे आम है वह विकल्प है जिसे अधिकांश उत्तरदाताओं ने चुना है। यह अध्ययन का मॉडल बन जाता है।
- एक विशिष्ट प्रश्न के लिए, एक से अधिक मोडल प्रतिक्रिया हो सकती है यदि दो विकल्प या उत्तर हों जो समान संख्या में प्रतिशत या दूसरों पर पसंद करते हैं। बहुविकल्पीय प्रश्न शोधकर्ता को एक मीट्रिक वैरिएबल बनाने की क्षमता के साथ मदद करता है जिसे वह आगे के अध्ययन में उपयोग कर सकता है।
- नाममात्र डेटा शोधकर्ता को उसके / उसके उत्तरदाताओं की एक प्रोफ़ाइल बनाने में मदद कर सकता है, जो कि सांख्यिकीय अध्ययन में मदद नहीं कर सकता है, लेकिन शोधकर्ता को उसके उत्तरदाताओं की गहरी समझ प्राप्त करने में मदद कर सकता है।
लाभ
- यह उत्तरदाताओं को स्वतंत्र रूप से अपनी राय व्यक्त करने की स्वतंत्रता प्रदान करता है।
- क्लोज एंडेड प्रश्नों की उपस्थिति होने पर शोध को संचालित करने में बहुत आसानी होती है।
- बड़ी संख्या में प्रश्नों के उत्तर बहुत जल्दी एकत्र किए जा सकते हैं।
- इसने विश्वसनीयता बढ़ा दी है क्योंकि यह केवल उत्तरदाताओं द्वारा किए गए उत्तरों की पसंद पर निर्भर है।
- यह समय लेने वाली नहीं है और किसी के पास भी न्यूनतम स्तर की विशेषज्ञता हो सकती है।
- यह लागत प्रभावी भी है क्योंकि केवल उसी चीज की आवश्यकता है जो प्रश्नों का एक समूह है और एक प्रश्नावली है।
निष्कर्ष
नाममात्र डेटा एक लाभकारी विधि है जिसका उपयोग शोधकर्ताओं ने अपने सर्वेक्षणों के लिए अपनी प्रतिक्रियाएं एकत्र करने के लिए किया और अपने अध्ययन में इसका इस्तेमाल किया। यह लागत प्रभावी है और समय लेने वाली प्रक्रिया नहीं है। प्रतिवादी के दृष्टिकोण से, यह उनकी पसंद बनाने और प्रश्नावली का उत्तर देने के लिए अधिक लचीलापन प्रदान करता है।
