ລ້າງ​ລົດແລ້ວ​ຝົນ​ຕົກ? ເຮົາ​ຈະ​ຮູ້​ແນວ​ໃດ​ວ່າ​ຂໍ້​ມູນ​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນແທ້ຫຼືບໍ່

ຟ້າ​ແດດໆ ລ້າງ​ລົດ​ກ່ອນ! ລ້າງ​ລົດ​ແລ້ວ ຝົນ​ຊ້ຳ​ພັດ​ຕົກ! ເຫັນ​ໃຜໆ​ກະ​ມັກ​ເວົ້າ ແລ້ວ​ສອງ​ສິ່ງນີ້​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ແທ້ບໍ່ ຫຼື ສັນ​ນິ​ຖານ​ເຮົາ​ຜິດ​ເອງ

ການ​ນຳ​ຂໍ້​ມູນ​ມາ​ວິ​ເຄາະຫາ​ຄວາມ​ສຳ​ພັນ​ກັນວ່າ​ສອງ​ເຫດ​ການ ຫຼື ສອງ​ຕົວ​ປ່ຽນ ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ບໍ່; ການ​ຫາ​ຜົນ​ກະ​ທົບ​ຂອງ​ສິ່ງ​ໃດ​ໜຶ່ງວ່າ​ x ເຮັດ​ໃຫ້ ເກີດ y ບໍ່​ນັ້ນ ສ່ວນ​ຫຼາຍ​ແລ້ວ​ເຮົາ​ກໍ​ໄປ​ຫາ​ຄ່າ​ຄວາມ​ສຳ​ພັນ​ກັນ ແລະ ແຕ້ມ​ຮູບ​ເບິ່ງວ່າ ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ບໍ່​. ແຕ່​ວ່າ​ຕົວ​ເລກ​ທີ່​ໄດ້​ມາ​ນັ້ນ ເຮົາ​ສາ​ມາດຢັ້ງ​ຢືນ​ໄດ້​ວ່າ​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ແທ້ ຕົວ​ຢ່າງ: ເຮົາ​ທົບ​ສອບສອງ​ຕົວ​ປ່ຽນມາ​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ແທ້ບໍ່ ຜົນ​ອອກ​ມາສອງ​ອັນ​ນີ້​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນສູງ​ເຖິງ 90% ເຮົາ​ກະ​ເລີຍ​ສະຫຼຸບ​ໄດ້​ວ່າ ສອງ​ກັນ​ນີ້​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ສູງ.

ແຕ່!!! ເຮົາ​ຢ່າ​ລືມ​ວ່າຄອມ​ພິວ​ເຕີ ເຮົາ​ປ້ອນ​ຫຍັງ​ເຂົ້າ​ມັນ​ກະ​ມີ​ແຕ່​ໜ້າ​ທີ່​ເຮັດ ແລະ ລາຍ​ງານ​ຜົ​ນ​ເທົ່າ​ນັ້ນ ມັນ​ບໍ່​ຮູ້​ວ່າ ສິ່ງ​ທີ່​ເຮົາ​ປ້ອນ​ເຂົ້າ​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ​ກັນ​ແທ້ບໍ່​ໃນ​ຄວາມ​ເປັນ​ຈິງ ມັນ​ຂຶ້ນ​ກັບ​ເຮົາ​ວ່າ​ຕົວ​ປ່ຽນ​ທຸກໆ​ໂຕ​ທີ່​ເຮົາ​ປ້ອນ​ເຂົ້າ​ໄປ​ນັ້ນ​ມັນ​ມີ​ຄວາມ​ສຳ​ພັນ ມີ​ເຫດ​ ແລະ ຜົນ​ເຊິ່ງ​ກັນ​ ແລະ ກັນຫຼືບໍ່.

ຖ້າ​ເຮົາ​ໄປ​ອ່ານບົດ​ຄວາມ​ຕ່າງໆ ເຮົາ​ຈະ​ເຫັນ​ກະ​ເຈົ້າ​ຍົກ​ຕົວ​ຢ່າງນີ້​ຕະຫຼອດ ມັນ​ມີ​ຜົນ​ການ​ວິ​ໄຈໜຶ່ງ ​ທີ່​ອອກ​ມາ​ວ່າ ອັດ​ຕາ​ການ​ເພີ່ມ​ຂຶ້ນ​ຂອງ​ການ​ຊື້​ກະ​ແລັມເພີ່ມ​ຂຶ້ນເຮັດ​ໃຫ້ອັດ​ຕາ​ການກໍ່​ເຫດ​ຮ້າຍ​ເພີ່ມ​ຂຶ້ນໂດຍ​ມີ​ອັດ​ຕາ​ຄວາມ​ສຳ​ພັນ​ກັນສູງ. ດຽວໆ ແຕ່​ໃນ​ຄວາມ​ເ​ປັນ​ຈິງ​ແລ້ວ ມັນ​ເບິ່ງ​ແລ້ວບໍ່​ມີ​ຕັກ​ກະ​ເລີຍວ່າ ສອງ​ອັນ​ນີ້​ມັນ​ກ່ຽວ​ກັນ​ໄດ້​ແນວ​ໃດ ມັນ​ອາດ​ຈະ​ເກີດ​ຈາກ ອາ​ກາດ​ຮ້ອນ​ກະ​ແລັມ​ກະ​ເລີຍ​ຂາຍ​ດີ ບວກ​ກັບ​ອາ​ກາດ​ຮ້ອນ​ແນ່​ໃຈ​ກະ​ຮ້ອນ​ຕາມ​ກະ​ເລີຍ​ມີ​ໂອ​ກາດ​ເຮັດ​ໃຫ້​ຄົນ​ກໍ່​ເຫດ​ຮ້າຍ​ເພີ່ມ​ຂຶ້ນ ກໍ​ເປັນ​ໄປ​ໄດ້.

​ຜູ້​ອ່ານ​ເຫັນ​ພາບ​ອອກແລ້ວບໍ່​? ຖ້າ​ຍັງ​ເອົາ​ອີກ​ຕົວ​ຢ່າງ​ໜຶ່ງ ສົມ​ມຸດ​ວ່າ​ມີ​ການ​ສຶກ​ສາ​ໜຶ່ງ​ບອກວ່າ ສີ​ຂອງ​ລົດ​ມີ​ຜົນ​ຕໍ່​ກັບ​​ການ​ເກີດອຸ​ບັດ​ຕິ​ເຫດ ເຊິ່ງວ່າ ເພິ່​ນ​ຍົກ​ເອົາ 2 ສີ​ມາ​ປຽບ​ທຽບ​ກັນ​ຄື ສີ​ຂາວ ກັບ ສີ​ດຳ ໂດຍ​ມີ​ຕົວ​ຢ່າງ​ແຕ່​ລະ​ຄັນ​ແມ່ນ 10.000 ຄັນ. ຜົນ​ວິ​ໄຈ​ບອກວ່າ ລົດ​ສີ​ດຳ​ຈະ​ມີ​ໂອ​ກາດ​ເກີດ​ອຸ​ບັດ​ຕິ​ເຫດໜ້ອຍກວ່າ​ລົດ​ສີ​ຂາວ. ຈາກ​ຜົນ​ການ​ວິ​ໄຈ ສະ​ແດງວ່າ​ຖ້າ​ໃຜ​ມີ​ລົດ​ສີ​ດຳ​ແລ້ວ​ຈະ​ມີ​ໂອ​ກາດ​ເກີດ​ອຸ​ບັດ​ຕິ​ເຫດ​ໜ້ອຍ​ລົງ​ກ່ອນ​ສີ​ອື່ນໆ​ຊັ້ນ​ຫວາ, ແລ້ວ​ປັດ​ໄຈ​ອື່ນ​ເດ​ລະ ບໍ່​​ວ່າ​ຈະ​ເປັນ​ຄົນ​ຂັບ, ຫົນ​ທາງ, ດິນ​ຟ້າ​ອາ​ກາດ ບໍ່​ມີ​ຜົນ​ຕໍ່​ກັບ​ການ​ເກີດ​ອຸ​ບັດ​ຕິ​ເຫດ​ເລີຍ​ຫວາ? ແລ້ວ​ຖ້າ​ເຮົາ​ຢາກ​ໄດ້​ຜົນ​ທີ່​ຊັດ​ເຈນກວ່ານີ້​ເຮົາ​ຈະ​ເຮ​ັດ​ແນວ​ໃດ? ເຮົາ​ອາດ​ຈະ​ມີ control group ຫຼື ຕົວ​ປ່ຽນ​ທີ່​ເຮົາ​ຄວບ​ຄຸມ​ໄດ້ ປຽບ​ທຽບ​ກັບ ຕົວ​ປ່​ຽນ​ທີ່​ເຮົາ​ບໍ່​ໄດ້​ຄວບ​ຄຸມ ເຊັ່ນ: ເຮົາ​ອາ​ດ​ຈະ​ນຳ​ລົດ​ທັງ​ສອງ​ສີ ມາ​ທົດ​ສອບ​ກຸ່ມ​ຄົນ​ປະ​ເພດ​ດຽວ (ບໍ່​ເມົາ), ໄລ​ຍະ​ທາງ​ສ່ຳ​ກັນ, ພື້ນ​ຫົນ​ທາງ​ດຽວ​ກັນ, ສະ​ພາບ​ອາ​ກາດ​ຄື​ກັນ. ການ​ທີ່​ເຮົາ​ມີ
control group ຈະ​ຊ່ວຍ​ໃຫ້​ເຮົາ​ສາ​ມາດ​ເບິ່ງ​ຄວາມ​ສຳ​ພັນ ແລະ ຜົນ​ກະ​ທົບ​ຂອງ​ຕົວ​ປ່ຽນ​ທີ່​ເຮົາ​ກຳ​ລັງ​ສົມ​ທຽບ​ນັ້ນ​ໃຫ້​ໄດ້​ຊັດ​ເຈນ​ຍິ່ງ​ຂຶ້ນ.

ຮູ້​ຈັກ​ປັດ​ໄຈ​ທັງ​ໝົດ​ທີ່ເປັນ​ສາ​ເຫດ (ບາງ​ເຫດ​ການ ບໍ່​ແມ່ນ​ມີ​ແຕ່​ພຽງ​ຕົວ​ປ່ຽນ​ດຽວ​ທີ່​ເປັນ​ສາ​ເຫດ)

ການ​ເຮັດ​ວຽກ​ກັບ​ຂໍ້​ມູນທີ່​ເຮົາ​ບໍ່​ສາ​ມາດ​ກຳ​ນົດ​ທຸກ​ສິ່ງ​ທຸກ​ຢ່າງ​ໄດ້​ນັ້ນ ມັນ​ອາດ​ຈະ​ເປັນ​ອຸ​ປະ​ສັກ​ໃຫ້​ເຮົາ​ວິ​ເຄາະ​ຂໍ້​ມູນບໍ່​ຊັດ​ເຈນ ສິ່ງ​ສຳ​ຄັນ​ທີ່​ສຸດ​ກໍ​ຄືບາງ​ເທື່ອຕົວປ່ຽນ​ຕາມ​ ແລະ ຕົວ​ປ່ຽນ​ຕົ້ນ​ທີ່​ເຮົາ​ເອົາ​ມານັ້ນ, ຕົວ​ປ່ຽນ​ຕົ້ນ​ອາດ​ຈະ​ບໍ່​ຄອບ​ຄຸມ ຫຼື ເປັນ​ໄປ​ໄຈ​ດຽວ​ທີ່ກໍ່​ໃຫ້​ເກີດ​ຕົ​ວ​ປ່ຽນ​ຕາມ ຕົວ​ຢ່າງ: ນັກ​ການ​ຕະຫຼາດບອກວ່າ ຍອດ​ຂາຍ​ຂອງ​ລົດ​ຈັກ​ເຮົາ​ເພີ່ມ​ຂຶ້ນ ຍ້ອນລົດ​ຕິດ​ເຮັດ​ໃຫ້​ຄົນ​ທີ່​ໃຊ້​ລົດ​ໃຫຍ່ປ່ຽນ​ໄປ​ໃຊ້​ລົດ​ຈັກຫຼາຍ​ຂຶ້​ນ ​ຍອດ​ຂາຍ​ຂອງ​ລົດ​ຈັກ​ກໍ​ເລີຍ​ເພີ່ມ​ຂຶ້ນ, ການ​ປ່ຽນ​ຈາກ​ລົດ​ໃຫຍ່ໄປ​ໃຊ້​ລົດ​ຈັກ ຍ້ອນ​ວ່າ​ລົດ​ຕິດກໍ່​ບໍ່​ແມ່ນປັດ​ໄຈ​ດຽວ​ເທົ່າ​ນັ້ນ ມັນ​ອາດ​ເປັນ​ພຽງ​ປັດ​ໄຈ​ໃນຫຼາຍໆ ປັດ​ໄຈ​ເຊັ່ນ: ປ່ຽນ​ບ່ອນ​ເຮັດ​ວຽກ​ໃໝ່​ບ້ານ​ໃກ້​ຫ້ອງ​ການ, ​ຫ້ອງ​ການບໍ່​ມີ​ບ່ອນ​ຈອດ​ລົດ, ປະ​ຢັດ​ນ້ຳ​ມັນ ແລະ ປັດ​ໄຈອື່ນໆ​ອີກ.

ຄຳ​ແນະ​ນຳ:

  • ຕົວ​ປ່ຽນ​ຕົ້ນ ມີ​ແຕ່​ໂຕ​ດຽວ​ແທ້ບໍ່? ອາດ​ຈະ​ມີຫຼາຍ​​ໂຕ ຫຼື ຕົວ​ປ່ຽນ​ອື່ນ​ທີ່​ເຮົາ​ຄິດບໍ່​ພໍ້​ກໍ​ມີ
  • ຄິດ​ຫາ​ຕົວ​ປ່ຽນ​ທຸກ​ຢ່າງ​ທີ່​ມີ ຖ້າ​ເປັນ​ໄປ​ໄດ້
  • ຕົວ​ປ່ຽນ​ເຫດ ແລະ ຜົນ ທຸກ​ໂຕ​ ຄວນ​ເບິ່ງ​ຢູ່​ໃນ​ພື້ນ​ຖານ​ຕັກ​ກະ ແລະ ຄວາມ​ເປັນ​ຈິງ ບໍ່​ຄວນ​ຖື​ເອົາ​ຕົວ​ເລກ (ຜົນ​ວິ​ເຄາະ) ມາ​ຕັດ​ສິນ​ພຽງ​ຢ່າງ​ດຽວ

ແກ້​ບັນ​ຫາ​ໂດຍ​ການ​ໃຊ້​ວິ​ທີ​ Randomize design (ສ້າງ​ control group)

​ການ​ເກັບ​ຂໍ້​ມູນ​ໂດຍ​ໃຊ້​ວິ​ທີ randomize design ໂດຍ​ແບ່ງ​ກຸ່ມ​ຕົວ​ຢ່າງ​ອອກ​ເປັນ 2 ​ຄື: ກຸ່ມ​ທີ່​ຖືກ​ຄວບ​ຄຸມ (control group) ແລະ ກຸ່ມ​ທີ່ບໍ່​ໄດ້​ຄວບ​ຄຸມ ຈະ​ເຮັດ​ໃຫ້​ການ​ວິ​ເຄາະ​ຂອງ​ເຮົາ​ໃນ​ຮູບ​ແບບ​ການ​ປຽບ​ທຽບ​ຜົນ​ກະ​ທົບ ແລະ ຄວາມ​ສຳ​ພັນ ຍິ່ງ​ຊັດ​ເຈນ ແລະ ໜ້າ​ເຊື່ອ​ຖື​ຍິ່ງ​ຂຶ້ນ.

ຖ້າ​ເວົ້າ​ສຳ​ນວນ control group ແລ້ວ​ງົງບໍ່​ຄຸ້ນ​ຫູ ມັນ​ກະ​ອັນ​ດຽວ​ກັນ​ກັບ ການ​ເຮັດ A/B testing ນັ້ນ​ລະ, ການ​ເຮັດ A/B testing ກໍ່​ແບ່ງ​ເປັນ​ສອງ​ກຸ່ມ ກຸ່ມ​ທີ່​ເຮົາ​ທົດ​ລອງ ກັບ ກຸ່ມ​ທີ່​ເຮົາ​ບໍ່​ໄດ້​ທົດ​ລອງ.

ສົມ​ມຸດ ເຮົາ​ກຳ​ລັງ​ສຶກ​ສາ​ເລື່ອງ ການ​ດື່ມ​ກາ​ເຟ​ມີ​ຜົນ​ເຮັດ​ໃຫ້​ເຮົາ​ບໍ່​ຢາກນອກບໍ່? ໂດຍ​ເບິ່ງ​ຈາກ​ອັດ​ຕາ​ການ​ຢາກນອນຫຼັງ​ດື່ມ​ກາ​ເຟ​ເຂົ້າ​ໄປ​ແລ້ວ ​ໂດຍ​ປຽບ​ທຽບ​ຕັ້ງ​ແຕ່​ເວ​ລາ 8 ໂມງ​ເຊົ້າ ຫາ 5 ໂມງ​ແລງ.

ຈາກ​ຮູບ​ຂ້າງ​ລຸ່ມ ເຮົາ​ໃຊ້​ວິ​ທີ randomize design ພ້ອມ​ກັບ​ມີກ​ຸ່ມ​ທີ່​ຄວບ​ຄຸມ ເປັນ​ກຸ່ມ​ທີ່​ເຮົາ​ໃຫ້​ດື່ມ​ກາ​ເຟ ແລະ ກຸ່ມບໍ່​ໄດ້​ຄວບ​ຄຸມ ບໍ່​ໄດ້​ດື່ມ​ກາ​ເຟ.

ຖ້າ​ເຮົາ​ເບິ່ງ​ເສັ້ນ​ສະ​ແດງ​ແລ້ວ ເຫັນ​ວ່າ ເຖິງວ່າ​ດື່ມ​ກາ​​ເຟ​ແລ້ວ​ເຮົາ​ກະ​ຍັງ​ມີ​ເປີ​ເຊັນ​ທີ່​ຈະ​ຢາກນອນ​ຢູ່ ແຕ່​ວ່າ​ອັດ​ຕາ​ການ​ເພີ່ມ​ຂຶ້ນ​ດັ່ງ​ກ່າວ​ກະ​ຍັງ​ບໍ່​ສູງ ຖ້າ​ເຮົາ​ປຽບ​ທຽບ​ໃສ່​ກຸ່ມ​ທີ່ບໍ່​ໄດ້​ດື່ມ​ກາ​ເຟ.

ຈາກ​ເສັ້ນ​ສະ​ແດງ​ເຮົາ​ສາ​ມາດ​ສະຫຼຸ​ບ​ໄດ້​ເລີຍ​ວ່າ ການ​ດື່ມ​ກາ​ເຟ​ສາ​ມາດ​ຊ່ວຍຫຼຸດ​ອາ​ການ​ຢາກນອນ​ຂອງ​ເຮົາ​ໄດ້​ເຖິງ 20 ເປີ​ເຊັນຈຸດ (percent point) (60-20) – (40-20)

Randomize design

ແລ້ວ​ຖ້າ​ເຮົາ​ບໍ່​ມີ ກຸ່ມ​ທີ່​ຄວບ​ຄຸມ​ປຽບ​ທຽບ​ເດ​ຈະ​ເປັນ​ແນວ​ໃດ?

ຈາກ​ເສັ້ນ​ສະ​ແດງ ປຽບ​ທຽບ​ແບບກ່ອນ​ ແລະ ຫຼັງ ເຮົາ​ສາ​ມາດ​ສະຫຼຸບ​ໄດ້​ວ່າ ການ​ດື່ມ​ກາ​ເຟບໍ່​ສົ່ງ​ຜົນ​ຫຍັງ​ເຮັດ​ໃຫ້​ເຮົາ​ຢາກນອນ​ລົງ​ເລີຍ ເຖິງວ່າ​ເຮົາ​ຈະ​ດື່ມ ເຮົາ​ກໍ່​ຍັງ​ຢາກນອນ ອີກ​ທັງ​ເຮົາ​ຢາກນອນ​ເພີ່ມ​ອີກ 20 ເປີ​ເຊັນ​ຈຸດ.

Before and after

​ເມື່ອ​ປຽບ​ທຽບ​ດ້ວຍ​ວິ​ທີ ດື່ມ​ ແລະ ບໍ່ດື່ມ​ກາ​ເຟ​ເດ? ຈາກ​ເສັ້ນ​ສະ​ແດງ​ດ້ານ​ລຸ່ມ ເຮົາ​ສະຫຼຸບ​ໄດ້​ວ່າ ການ​ດື່ມ​ກາ​ເຟ​ສາ​ມາດຫຼຸດ​ຄວາມ​ຢາກນອນ​ຂອງ​ເຮົາ​ໄດ້ ເມື່ອ​ປຽບ​ທຽບ​ກັບ​ດື່ມ ແລະ ບໍ່​ດື່ມ​ແລ້ວ ຖ້າ​ເຮົາ​ດື່ມ​ກາ​ເຟ​ຈະຫຼຸດ​ອັດ​ຕາ​ການ​ຢາກນອນ​ລົງ 20 ເປີ​ເຊັນ​ຈຸດ.

ແຕ່​ວິ​ທີນີ້​ແມ່ນ​ເຮົາ​ບໍ່​ມີ​ເສັ້ນ​ວັດ​ແທກວ່າ ການຫຼຸດ​ລົງ ຫຼື ເພີ່ມ​ຂຶ້ນ ສ່ຳ​ໃດ​ຈຶ່ງ​ເອີ້ນ​ວ່າ ສາ​ມາດ​ຮັບ​ຮອງ​ໄດ້​ວ່າ​ມັນ​ມີ​ຜົ​ນ​ແທ້. ວິ​ທີນີ້​ເຮົາ​ຮູ້​ພຽງ​ແຕ່​ວ່າ​ມັນ​ສົ່ງ​ຜົນ​ກະ​ທົບ​ໜ້ອຍ ຫຼື ຫຼາຍ​ພຽງ​ໃດ​ຊື່ໆ.

ການ​ສະຫຼຸບ​ຂອງ​ເຮົາ​ກໍ່​ຍັງ​ບໍ່​ແໜ້ນ​ໜາ​ພໍ​ທີ່​ຈະ​ຢັ້ງ​ຢືນ​ຜົນ​ດັ່ງ​ກ່າວ​ໄດ້.

With and without

ສະຫຼຸບ:

ການ​ວິ​ເຄາະ​ຂໍ້​ມູນ​ຈາກ​ຂໍ້​ມູນ​ທີ່​ມີກຸ່ມ​ທີ່​ຄວບ​ຄຸມ ແລະ ບໍ່​ຄວບ​ຄຸ​ມ​ຈະ​ເຮັດ​ໃຫ້​ເຮົາ​ສາ​ມາດ​ວິ​ເຄາະ​ໄດ້​ຊັດ​ເຈນກວ່າ ​ແລະ ເໝາະ​ສົມ​ສຳ​ລັບ​ການ​ນຳ​ໄປ​ວິ​ເຄາະ​ການ​ປຽບ​ທຽບ ແລະ ຫາ​ຄວາມ​ສຳ​ພັນ. ຈາກການ​ປຽບ​ທຽບ​ໃຫ້​ເຫັນ​ໃນ ຮູບ​ທີ 1-3 ເຫັນ​ວ່າ ຮູບ​ທີ 2 ແລະ 3 ບໍ່​ໃຫ້​ຜົນ​ສະຫຼຸບ​ທີ່​ຊັດ​ເຈນ​ໄດ້ ເມື່ອ​ທຽບ​ກັບ​ຮູບ​ທີ 1.

ຂໍ້​ແນະ​ນ​ຳ:

ການ​ວິ​ເຄາະ​ຄວາມ​ສຳ​ພັນ​ກັນ (correlation) ຫຼື ຜົນ​ກະ​ທົບ​ ບໍ່​ເໝາະ​ສົມ​ກັບ​ຂໍ້​ມູນ​ທີ່​ໄດ້​ຈາກ ການ​ສຳຫຼວດ​ໃຫຍ່ (population-based survey data) ຫຼື ຂໍ້​ມູນ​ທີ່​ລາຍ​ງານ​ເປັນ​ປົກ​ກະ​ຕິ (routine data) ເພາະ​ວ່າ ການ​ສຳຫຼວດ​ດັ່ງ​ກ່າວ​ແມ່ນ​ບໍ່​ມີ​ການ​ຄວບ​ຄຸມ​ສຳ​ລັບ​ປັດ​ໄຈ​ຕ່າງໆ​.

 

Douangtavanh Kongphaly

Douangtavanh Kongphaly, Data Analyst, Centre for Development Policy Research, Ministry of Planning and Investment.

 

Leave a Reply

Your email address will not be published. Required fields are marked *