আমরা যারা Quantitative Research করি এবং ফিল্ড থেকে ডেটা সংগ্রহ করি, ডেটা নেওয়ার সময় এবং পরে কিছু বিষয় ঠিকভাবে মেইনটেইন করলে পরবর্তীতে Data Analysis অনেক সহজ হয়ে যায় এবং একটি মানসম্মত আউটপুট পাই, অন্যথায় অনেক ক্ষেত্রেই একটি গার্বেজ বের হয়। নিজের অভিজ্ঞতা থেকে কিছু গুরুত্বপূর্ণ পয়েন্ট শেয়ার করছি—
১) Numeric Data: Raw Value নেওয়ার চেষ্টা করুন
Numeric ডেটার ক্ষেত্রে গ্রুপ না করে এক্সাক্ট ভ্যালু নেওয়া সবচেয়ে ভালো।
🔹 যেমন: বয়স
❌ ১০–১৫, ১৫–২০ (গ্রুপ)
✅ ১৮, ২২, ২৫ (raw value)
👉 কারণ: পরে আপনি নিজেই প্রয়োজন অনুযায়ী গ্রুপিং (categorization) করতে পারবেন, কিন্তু গ্রুপ থেকে exact value বের করা সম্ভব না।
২) Data Standardization (একই ইউনিটে রাখা)
ডেটা সবসময় একই ইউনিটে রাখতে হবে।
🔹 যেমন: “আপনি কত বছর ধরে এই শহরে থাকেন?”
• কেউ বললো: ২ বছর
• কেউ বললো: ৬ মাস
👉 Solution: সবগুলোকে এক ইউনিটে (যেমন: বছর) কনভার্ট করুন। ➡️ ৬ মাস = ০.৫ বছর। এটা ডেটা কালেকশনের পরে Post-edit/Cleaning টাইমে করতে পারেন অথবা আগে থেকেই questionnaire-এ unit specify করে দিন (e.g., “in years”)
৩) Likert Scale Coding Consistency
সব Likert প্রশ্নে একই direction maintain করুন।
Example:
• Very Good = 5
• Very Bad = 1
❌ ভুল: কিছু প্রশ্নে 5=Good, আবার কিছুতে 5=Bad এরকম করা যাবে না। তাহলে পরবর্তীতে নিজেই ধরতে পারবেন না এবং inconsistent coding হলে analysis-এ ভুল interpretation হবে।
উদাহরণ: ধরুন আপনি ২টা Likert প্রশ্ন করলেন—
Q1: আপনি শিক্ষকের পড়ানোর মান কেমন মনে করেন?
Q2: আপনি ক্লাসের পরিবেশ কেমন মনে করেন?
❌ ভুল (Inconsistent Direction)
ধরুন ভুল করে এমন করলেন—
Q1 (Teaching Quality):
• Very Good = 5 → Very Bad = 1 ✅
Q2 (Class Environment):
• Very Good = 1 → Very Bad = 5 ❌ (reverse করে ফেললেন)
এমনটা করা যাবে না। Very Good = 5 → Very Bad = 1 ✅ ২টা Likert প্রশ্নেই এই সিরিয়ালে কোডিং করতে হবে।
৪) Multiple Response Data Handling
Multiple choice প্রশ্নে প্রতিটি option -কে আলাদা variable হিসেবে নিন। তারপর সেই অপশনে টিক চিহ্ন থাকলে ১, না থাকলে ০ হিসেবে কোড করে এন্ট্রি করুন।
Example: Social Media Usage
• Facebook → 1/0 (টিক চিহ্ন থাকলে ১, না থাকলে ০)
• YouTube → 1/0 (টিক চিহ্ন থাকলে ১, না থাকলে ০)
👉 এতে frequency, cross-tabulation সহজ হয়।
৫) “Others” Category Handling
“Others” ক্যাটেগরিকে কে ignore করবেন না। এটা থেকেও অনেক গুরুত্বপূর্ণ তথ্য পাওয়া যায়।
👉 করণীয়:
• Pattern identify করুন (একই ধরণের কথা গুলোকে একটি ক্যাটাগরিতে নিয়ে আসুন)
• নতুন category তৈরি করুন
• বেশি রেসপন্স আসলে বা গুরুত্বপূর্ণ হলে main variable-এ include করুন
উদাহরণ: আপনার আয়ের প্রধান উৎস কি? (Options: চাকরি, ব্যবসা, ফ্রিল্যান্সিং, Others)
Raw “Others” Responses:
• “Private Tuition”
• “Coaching করাই”
• “Part-time teaching”
• “YouTube income”
Pattern Identify:
• Tuition, Coaching → Teaching related
• YouTube → Content creation
New Categories:
• Teaching/Tuition
• Content Creation
Decision: যদি Teaching response বেশি হয় → এটাকে main category বানানো যাবে।
৬) Open-ended Data Coding Plan
Open-ended প্রশ্ন থাকলে আগে থেকেই coding strategy চিন্তা করে রাখুন। না হলে পরে qualitative data manage করা কঠিন হয়। একই ধরণের কথাগুলো থেকে একটি Pattern identify করে সেগুলোকে Main Keyword ধরে একটি ক্যাটাগরিতে নিয়ে আসুন। এইভাবে Broad and Narrow aspects চিন্তা করে করে Categorization & Re-categorization করুন।
উদাহরণ: আপনি কেন সোশ্যাল মিডিয়া ব্যবহার করেন?
Raw Responses:
• “বন্ধুদের সাথে যোগাযোগ রাখতে”
• “সময় কাটানোর জন্য”
• “নতুন কিছু শেখার জন্য”
• “নিউজ আপডেট জানার জন্য”
Coding Strategy:
Broad Categories:
• Communication
• Entertainment
• Learning
• Information/News
Narrow Categories (প্রয়োজনে):
• যোগাযোগ → (Communication + Entertainment)
• শেখা → (Learning + Information/News)
৭) Missing Value Coding (খুব গুরুত্বপূর্ণ)
ডেটা না থাকলে সেটাকে blank (ফাঁকা) না রেখে specific code ব্যবহার করুন। Example: Missing = 99 / 999
অনেক সময় Excel, SPSS, Stata ইত্যাদি blank cell-কে 0 (zero) ধরে নিতে পারে বা ignore করে ফেলে। এতে আপনার analysis distort হয়ে যাবে। তাই Missing আর Real Value আলাদা রাখতে হবে।
ধরুন income variable—
• 0 = কোনো আয় নেই
• 99 = উত্তর দেয়নি (Missing)
যদি কোড না দেন, তাহলে যদি সফটওয়্যার blank cell-কে 0 (zero) ধরে ফেলে তখন actual zero আর missing value একই হয়ে যাবে ❌
কিন্তু কোড দিলে সহজেই আলাদা করা যাবে ✅
এইখানে একটা প্রশ্ন রেখে গেলাম। যদি Missing value accidentally calculation-এ ঢুকে যায় (যেমন 99), তাহলে Mean অনেক বেড়ে/কমে যাবে না? তখন কি হবে? এইটার ব্যবস্থা কি? কিভাবে হ্যান্ডেল করা হয়? ❌
পরবর্তী পোস্টে Data Cleaning or Preprocessing নিয়ে বিস্তারিত আলোচনা করার চেষ্টা করবো।
আমার অন্যান্য পোস্টগুলো সব আমার প্রোফাইলে পেয়ে যাবেন। আমি সহজ ভাষায় পরিসংখ্যান ও ডেটা এনালাইসিস ও গবেষণা সম্পর্কে ফান্ডামেন্টাল নলেজ দেয়ার চেষ্টা করছি। এ বিষয়ে আপনার কিছু জানার থাকলে বা আপনার কোন কাজে Statistics এবং Data Analysis সহযোগিতার আমাকে ইনবক্স করতে পারেন। ধন্যবাদ।
#QuantitativeResearch #ResearchMethodology #DataAnalysis #গবেষণা #DataScience #Statistics #SPSS #ResearchTips #থিসিস_গাইড #DataCollection #BangladeshResearch #thesis #DU