ကိန်းဂဏန်းတွေက ဘာကြောင့် အရေးကြီးတာလဲ။ (စာရင်းဇယားက အရေးကြီးတဲ့ အကြောင်းရင်း ၁၀ ခု။)

စာရင်းအင်း နယ်ပယ်သည် အချက်အလက်စုဆောင်းခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် တင်ပြခြင်းနှင့် သက်ဆိုင်သည်။

ကျွန်ုပ်တို့၏နေ့စဉ်ဘဝများတွင် နည်းပညာများ ပိုမိုများပြားလာသည်နှင့်အမျှ လူသားသမိုင်းတွင် ယခင်ကထက် ဒေတာများကို ပိုမိုထုတ်လုပ်ပြီး စုဆောင်းနေပါသည်။

စာရင်းအင်းများသည် အောက်ပါလုပ်ဆောင်စရာများကို လုပ်ဆောင်ရန် ဤဒေတာကို မည်သို့အသုံးပြုရမည်ကို နားလည်ရန် ကူညီပေးနိုင်သည့် နယ်ပယ်ဖြစ်သည်-

• ကျွန်ုပ်တို့ပတ်ဝန်းကျင်ရှိ ကမ္ဘာကြီးကို ပိုနားလည်ပါစေ။
• ဒေတာကိုသုံးပြီး ဆုံးဖြတ်ချက်ချပါ။
• ဒေတာကို အသုံးပြု၍ အနာဂတ်အတွက် ခန့်မှန်းချက်များကို ပြုလုပ်ပါ။

ဤဆောင်းပါးတွင်၊ စာရင်းအင်းပညာနယ်ပယ်သည် ခေတ်သစ်ဘဝတွင် အလွန်အရေးကြီးသည့် အကြောင်းရင်း ၁၀ ခုကို မျှဝေပါသည်။

အကြောင်းရင်း 1- ကမ္ဘာကိုနားလည်ရန် သရုပ်ဖော်ကိန်းဂဏန်းများကို အသုံးပြုပါ။

ဒေတာအကြမ်းအပိုင်းအစများကို ဖော်ပြရန်အတွက် ဖော်ပြချက်စာရင်းဇယားကို အသုံးပြုပါသည်။ ဖော်ပြချက်စာရင်းဇယား၏ အဓိက အမျိုးအစားသုံးမျိုးရှိသည်။

• စာရင်းဇယားအကျဉ်းချုပ်
• ဂရပ်ဖစ်
• စားပွဲများ

ဤဒြပ်စင်တစ်ခုစီသည် ရှိပြီးသားဒေတာကို ပိုမိုနားလည်သဘောပေါက်ရန် ကူညီပေးနိုင်ပါသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် မြို့တစ်မြို့၌ ကျောင်းသား 10,000 ၏ စာမေးပွဲရမှတ်များကို ပြသသော ဒေတာအကြမ်းအစုံရှိသည် ဆိုကြပါစို့။ ဖော်ပြရန် စာရင်းအင်းများကို ကျွန်ုပ်တို့အသုံးပြုနိုင်သည်-

• ပျမ်းမျှစာမေးပွဲရမှတ်နှင့် စာမေးပွဲရလဒ်များ၏ စံသွေဖည်မှုကို တွက်ချက်ပါ။
• စမ်းသပ်မှုရလဒ်များ ဖြန့်ဝေမှုကို မြင်သာစေရန် histogram သို့မဟုတ် boxplot တစ်ခုကို ဖန်တီးပါ။
• စမ်းသပ်မှုရလဒ်များ ဖြန့်ဖြူးမှုကို နားလည်ရန် ကြိမ်နှုန်းဇယားကို ဖန်တီးပါ။

သရုပ်ဖော်ကိန်းဂဏန်းစာရင်းအင်းများကို အသုံးပြုခြင်းဖြင့်၊ ဒေတာအကြမ်းကိုကြည့်ရုံထက် ကျောင်းသားစာမေးပွဲရမှတ်များကို ပိုမိုလွယ်ကူစွာ နားလည်နိုင်ပါသည်။

အကြောင်းရင်း 2- အထင်မှားစေသော ဂရပ်ဖစ်များကို သတိထားပါ။

ဂျာနယ်များ၊ မီဒီယာများ၊ အွန်လိုင်းဆောင်းပါးများနှင့် မဂ္ဂဇင်းများတွင် ဂရပ်ဖစ်များ ပိုများလာပါသည်။ ကံမကောင်းစွာပဲ၊ အရင်းခံဒေတာကို နားမလည်ပါက ဇယားကွက်များသည် မကြာခဏ လွဲမှားနိုင်ပါသည်။

ဥပမာအားဖြင့်၊ တက္ကသိုလ်တစ်ခုရှိ ကျောင်းသားများ၏ GPA နှင့် ACT ရမှတ်များအကြား အနုတ်လက္ခဏာဆက်စပ်မှုကို တွေ့ရှိသည့် လေ့လာမှုတစ်ခုအား ဂျာနယ်တစ်စောင်က ထုတ်ဝေသည်ဆိုပါစို့။

သို့သော်၊ GPA နှင့် ACT ရမှတ် မြင့် မားသော ကျောင်းသားများသည် အထက်တန်းစား တက္ကသိုလ်သို့ တက်ရောက်နိုင်ပြီး GPA နှင့် ACT ရမှတ် နည်းပါး သော ကျောင်းသားများကို လုံးဝ ဝင်ခွင့်မပြုသောကြောင့် ဤအနုတ်လက္ခဏာ ဆက်နွယ်မှု ဖြစ်ပေါ်ပါသည်။

ACT နှင့် GPA အကြားဆက်စပ်မှုသည်လူဦးရေအတွက်အပြုသဘောဖြစ်သော်လည်း၊ ဆက်စပ်မှုသည်နမူနာတွင်အနုတ်လက္ခဏာဖြစ်သည်။

ဒီဘက်လိုက်မှုကို Berkson bias လို့ ခေါ်တယ်။ ဤဘက်လိုက်မှုကို သတိပြုမိခြင်းဖြင့်၊ အချို့သောဇယားများဖြင့် လှည့်စားခြင်းကို ရှောင်ရှားနိုင်သည်။

အကြောင်းပြချက် 3- ရှုပ်ထွေးသောကိန်းရှင်များကိုသတိထားပါ။

စာရင်းဇယားများတွင် သင်လေ့လာရမည့် အရေးကြီးသော အယူအဆမှာ ရှုပ်ထွေးနေသော ကိန်းရှင်များ၏ သဘောတရားဖြစ်သည်။

၎င်းတို့သည် ထည့်သွင်းစဉ်းစား၍မရသော ကိန်းရှင်များဖြစ်ပြီး စမ်းသပ်မှုတစ်ခု၏ရလဒ်များကို ရှုတ်ချ နိုင်ပြီး ယုံကြည်စိတ်ချရသော ကောက်ချက်ချမှုများဆီသို့ ဦးတည်သွားနိုင်သည်။

ဥပမာအားဖြင့်၊ သုတေသီတစ်ဦးသည် ရေခဲမုန့်ရောင်းချမှုနှင့် ငါးမန်းတိုက်ခိုက်ခံရမှုဆိုင်ရာ ဒေတာကို စုဆောင်းပြီး ကိန်းရှင်နှစ်ခုသည် အလွန်ဆက်စပ်နေကြောင်း တွေ့ရှိသည်ဆိုပါစို့။ ရေခဲမုန့်ရောင်းအား တိုးလာခြင်းသည် ငါးမန်းတိုက်ခိုက်မှုကို ပိုမိုဖြစ်ပေါ်စေသည်ဟု ဆိုလိုပါသလား။

မဖြစ်နိုင်ပါဘူး။ ဖြစ်နိုင်ခြေအရှိဆုံးအကြောင်းရင်းမှာ ရှုပ်ထွေးသော ပြောင်းလဲနိုင်သော အပူချိန် ဖြစ်သည်။ အပြင်မှာ ပိုပူလာတဲ့အခါ လူတွေက ရေခဲမုန့်ဝယ်လာပြီး သမုဒ္ဒရာကို သွားကြတာများတယ်။

အကြောင်းရင်း 4- ဖြစ်နိုင်ခြေများကို အသုံးပြု၍ ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်များချရန်

စာရင်းဇယား၏ အရေးကြီးဆုံးနယ်ပယ်ခွဲများထဲမှ တစ်ခုသည် ဖြစ်နိုင်ခြေ ဖြစ်သည်။ ၎င်းသည် အဖြစ်အပျက်များ ဖြစ်ပွားနိုင်ခြေကို လေ့လာသည့် နယ်ပယ်ဖြစ်သည်။

ဖြစ်နိုင်ခြေကို အခြေခံနားလည်ထားခြင်းဖြင့် လက်တွေ့ကမ္ဘာတွင် ပိုမိုသိရှိနိုင်သော ဆုံးဖြတ်ချက်များကို သင်ပြုလုပ်နိုင်သည်။

ဥပမာအားဖြင့်၊ အထက်တန်းကျောင်းသားတစ်ဦးသည် ပေးထားသော တက္ကသိုလ်တစ်ခုသို့ လက်ခံရန် အခွင့်အလမ်း 10% ရှိကြောင်း သိသည်ဆိုပါစို့။ “ အနည်းဆုံးတစ်ခု” ဖြတ်သန်းနိုင်ခြေအတွက် ဖော်မြူလာကို အသုံးပြု၍ ဤကျောင်းသားသည် သူလျှောက်ထားသည့် အနည်းဆုံး တက္ကသိုလ်တစ်ခုသို့ လက်ခံမည့် ဖြစ်နိုင်ခြေကို ရှာဖွေနိုင်ပြီး ရလဒ်အရ သူလျှောက်ထားသည့် တက္ကသိုလ်အရေအတွက်ကို ချိန်ညှိနိုင်သည်။

အကြောင်းရင်း 5: သုတေသနတွင် P-တန်ဖိုးများကို နားလည်ခြင်း။

စာရင်းဇယားများတွင် သင်လေ့လာရမည့် နောက်ထပ်အရေးကြီးသော အယူအဆမှာ p-values ဖြစ်သည်။

p-value ၏ မူရင်းအဓိပ္ပါယ်မှာ-

p-value သည် null hypothesis မှန်ကန်ကြောင်း ပေး၍ အနည်းဆုံး သင်၏နမူနာစာရင်းအင်းကဲ့သို့ လွန်ကဲသည့်နမူနာစာရင်းအင်းကို လေ့လာရန်ဖြစ်နိုင်ခြေဖြစ်သည်။

ဥပမာအားဖြင့်၊ စက်ရုံတစ်ရုံက ပျမ်းမျှအလေးချိန် ပေါင် ၂၀၀ ရှိတဲ့ တာယာတွေကို ထုတ်လုပ်တယ်လို့ ဆိုပါစို့။ စာရင်းစစ်တစ်ဦးက ဤစက်ရုံမှထုတ်လုပ်သော တာယာများ၏ ပျမ်းမျှအလေးချိန်သည် ပေါင် 200 ကွာခြားသည်ဟု ယူဆပါသည်။ ထို့ကြောင့် သူသည် သီအိုရီစမ်းသပ်မှုကို ပြုလုပ်ပြီး စမ်းသပ်မှု၏ p-တန်ဖိုးသည် 0.04 ဖြစ်ကြောင်း တွေ့ရှိခဲ့သည်။

ဤ p-value ကို အဓိပ္ပါယ်ဖွင့်ဆိုပုံမှာ အောက်ပါအတိုင်းဖြစ်သည် ။

အကယ်၍ စက်ရုံမှ ပျမ်းမျှအလေးချိန် ပေါင် 200 ရှိသော တာယာများကို အမှန်တကယ် ထုတ်လုပ်ပါက၊ စစ်ဆေးမှုအားလုံး၏ 4% သည် ကျပန်းနမူနာအမှားကြောင့် နမူနာတွင် သတိပြုမိသော အကျိုးသက်ရောက်မှု သို့မဟုတ် ထို့ထက်မက ရရှိမည်ဖြစ်သည်။ စက်ရုံမှ ပျမ်းမျှအလေးချိန် ပေါင် 200 ရှိသော တာယာများကို အမှန်တကယ်ထုတ်လုပ်ပါက စာရင်းစစ်မှရရှိသောနမူနာအချက်အလက်များကို ရယူခြင်းသည် အလွန်ရှားပါးကြောင်း ၎င်းကပြောသည်။

ထို့ကြောင့်၊ စာရင်းစစ်သည် ဤစက်ရုံမှ ထုတ်လုပ်သော တာယာများ၏ အမှန်တကယ် ပျမ်းမျှအလေးချိန်မှာ ပေါင် 200 ဖြစ်သည်ဟူသည့် အချည်းနှီးသော အယူအဆကို ငြင်းဆိုဖွယ်ရှိသည်။

အကြောင်းရင်း 6- ဆက်စပ်မှုကို နားလည်ပါ။

စာရင်းအင်းဇယားတွင် သင်လေ့လာရမည့် နောက်ထပ်အရေးကြီးသော အယူအဆမှာ ဆက်စပ်မှု ဖြစ်ပြီး၊ ကိန်းရှင်နှစ်ခုကြားတွင် မျဉ်းသားဆက်စပ်မှုကို ပြောပြသည်။

ဆက်စပ်ကိန်း၏တန်ဖိုးသည် -1 နှင့် 1 ကြားတွင် အမြဲရှိနေသည်-

• -1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပျက်သဘောဆောင်သော ဆက်စပ်ဆက်နွယ်မှုကို ညွှန်ပြသည်။
• 0 သည် variable နှစ်ခုကြားတွင် linear ဆက်စပ်မှုမရှိဟု ညွှန်ပြသည်။
• 1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပြုသဘောဆောင်သောမျဉ်းကြောင်းဆက်စပ်မှုကို ညွှန်ပြသည်။

ဤတန်ဖိုးများကို နားလည်ခြင်းဖြင့်၊ လက်တွေ့ကမ္ဘာရှိ ကိန်းရှင်များကြား ဆက်စပ်မှုကို နားလည်နိုင်သည်။

ဥပမာအားဖြင့်၊ ကြော်ငြာအသုံးစရိတ်နှင့် ၀င်ငွေအကြား ဆက်စပ်မှုမှာ 0.87 ဖြစ်ပါက၊ ကိန်းရှင်နှစ်ခုကြားတွင် ခိုင်မာသော အပြုသဘောဆောင်သော ဆက်ဆံရေးရှိကြောင်း သင်နားလည်နိုင်ပါသည်။ ကြော်ငြာတွင် ငွေပိုသုံးသည်နှင့်အမျှ ခန့်မှန်းနိုင်သော ဝင်ငွေတိုးလာနိုင်သည်။

အကြောင်းရင်း 7- အနာဂတ်အတွက် ကြိုတင်ခန့်မှန်းမှုများ ပြုလုပ်ပါ။

စာရင်းအင်းများကို လေ့လာရန် နောက်ထပ်အရေးကြီးသောအကြောင်းရင်းမှာ အောက်ပါကဲ့သို့သော အခြေခံဆုတ်ယုတ်မှုပုံစံများကို နားလည်ရန်ဖြစ်သည်။

• ရိုးရှင်းသော linear ဆုတ်ယုတ်မှု
• မျဉ်းကြောင်း ဆုတ်ယုတ်မှု အများအပြား
• ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှု

ဤမော်ဒယ်များ တစ်ခုစီသည် မော်ဒယ်ရှိ အချို့သော ကြိုတင်ခန့်မှန်းကိန်းရှင်များ၏ တန်ဖိုးအပေါ် အခြေခံ၍ တုံ့ပြန်မှုကိန်းရှင် ၏ အနာဂတ်တန်ဖိုးနှင့်ပတ်သက်၍ ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်စေပါသည်။

ဥပမာအားဖြင့်၊ ကုမ္ပဏီများသည် အသက်၊ ဝင်ငွေ၊ လူမျိုးစုစသည်ဖြင့် ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များကို အသုံးပြုသည့်အခါတွင် လက်တွေ့ကမ္ဘာတွင် မျဉ်းကြောင်းတူသော ဆုတ်ယုတ်မှုပုံစံများကို အများအပြားအသုံးပြုသည်။ ၎င်းတို့၏စတိုးဆိုင်များတွင် ဖောက်သည်မည်မျှသုံးစွဲမည်ကို ခန့်မှန်းရန်။

အလားတူပင်၊ ထောက်ပံ့ပို့ဆောင်ရေးကုမ္ပဏီများသည် စုစုပေါင်းဝယ်လိုအား၊ လူဦးရေအရွယ်အစား၊ စသည်တို့ကဲ့သို့သော ကြိုတင်ခန့်မှန်းကိန်းရှင်များကို အသုံးပြုပါသည်။ အနာဂတ်ရောင်းအားကိုခန့်မှန်းရန်။

မည်သည့်နယ်ပယ်တွင် သင်လုပ်ကိုင်နေပါစေ၊ အနာဂတ်ဖြစ်စဉ်ကို ခန့်မှန်းရန် ဆုတ်ယုတ်မှုပုံစံများကို အသုံးပြုနိုင်သည့် အခွင့်အလမ်းကောင်းရှိပါသည်။

အကြောင်းရင်း 8- လေ့လာမှုများတွင် ဖြစ်နိုင်ချေရှိသော ဘက်လိုက်မှုများကို နားလည်ပါ။

စာရင်းအင်းများကို လေ့လာရန် နောက်ထပ်အကြောင်းရင်းတစ်ခုမှာ လက်တွေ့ကမ္ဘာလေ့လာမှုများတွင် ဖြစ်ပေါ်လာနိုင်သည့် ဘက်လိုက်မှုအမျိုးအစားအားလုံးကို သိရှိထားရန်ဖြစ်သည်။

ဤသည်မှာ ဥပမာအချို့ဖြစ်သည်။

• ဘက်လိုက်မှုကို သတိပြုပါ။
• ကိုယ်ပိုင်ရွေးချယ်မှု ဘက်လိုက်မှု
• ဘက်လိုက်မှု အကိုးအကား
• ပြောင်းလဲနိုင်သော ဘက်လိုက်မှုကို ချန်လှပ်ထားသည်။
• ဘက်လိုက်မှု လျှော့နည်းခြင်း။
• တုံ့ပြန်မှုမရှိသော ဘက်လိုက်မှု

ဤဘက်လိုက်မှုအမျိုးအစားများကို အခြေခံနားလည်ထားခြင်းဖြင့် သုတေသနပြုလုပ်သည့်အခါ သို့မဟုတ် အခြားသုတေသနစာတမ်းများ သို့မဟုတ် လေ့လာမှုများဖတ်သည့်အခါ ၎င်းတို့ကို သတိထားရှောင်ရှားနိုင်သည်။

အကြောင်းရင်း 9- ကိန်းဂဏန်းစမ်းသပ်မှုများဖြင့် ပြုလုပ်ထားသော ယူဆချက်များကို နားလည်ပါ။

ကိန်းဂဏန်းစမ်းသပ်မှုများစွာသည် လေ့လာနေသည့် အရင်းခံအချက်အလက်များနှင့် ပတ်သက်၍ ယူဆချက်တစ်ခု ဖြစ်စေသည်။

လေ့လာမှုတစ်ခု၏ရလဒ်များကိုဖတ်ခြင်း သို့မဟုတ် သင့်ကိုယ်ပိုင်လေ့လာမှုကိုလုပ်ဆောင်သည့်အခါ၊ ရလဒ်များယုံကြည်စိတ်ချရစေရန်အတွက် မည်သည့်ယူဆချက်များကိုပြုလုပ်ရမည်ကို နားလည်ရန်အရေးကြီးပါသည်။

အောက်ဖော်ပြပါ ဆောင်းပါးများသည် အသုံးများသော စာရင်းအင်းစစ်ဆေးမှုများနှင့် လုပ်ထုံးလုပ်နည်းများစွာတွင် ပြုလုပ်ထားသော ယူဆချက်များကို မျှဝေပါသည်။

• ကိန်းဂဏန်းစာရင်းဇယားများတွင် တူညီသောကွဲလွဲမှုယူဆချက်ကား အဘယ်နည်း။
• ကိန်းဂဏန်းစာရင်းအင်းများတွင် ပုံမှန်ဖြစ်ရိုးဖြစ်စဉ်ဟူသည် အဘယ်နည်း။
• ကိန်းဂဏန်းစာရင်းဇယားများတွင် လွတ်လပ်ရေးယူဆချက်ကား အဘယ်နည်း။

အကြောင်းရင်း 10- ယေဘုယျဆန်ခြင်းကို ရှောင်ရှားရန်

စာရင်းအင်းများကို လေ့လာရန် နောက်ထပ်အကြောင်းရင်းမှာ ယေဘုယျဆန်ခြင်း ၏ သဘောတရားကို နားလည်ရန်ဖြစ်သည်။

လေ့လာမှုတစ်ခုတွင်ပါဝင်သူများသည် အလုံးစုံလူဦးရေအတွက် တစ်ဦးချင်းစီကို ကိုယ်စားပြုခြင်း မဟုတ်သောကြောင့် လေ့လာမှုတစ်ခု၏တွေ့ရှိချက်များကို ပြည်သူတစ်ရပ်လုံးအတွက် ယေဘုယျဖော်ပြရန် မသင့်လျော်သည့်အခါ ၎င်းသည် ဖြစ်ပေါ်ပါသည်။

ဥပမာအားဖြင့်၊ အချို့ကျောင်းရှိ ကျောင်းသားရာခိုင်နှုန်းသည် ၎င်းတို့ကြိုက်နှစ်သက်သည့် ရုပ်ရှင်အမျိုးအစားအဖြစ် “ ဒရာမာ” ကို ပိုမိုနှစ်သက်ကြသည်ကို သိချင်သည်ဆိုကြပါစို့။ စုစုပေါင်း ကျောင်းသားဦးရေသည် ယောက်ျားလေး 50% နှင့် 50% မိန်းကလေးများ ရောနှောနေပါက၊ ယောက်ျားလေး 90% နှင့် 10% မိန်းကလေးများ ပါဝင်သော နမူနာသည် ယောက်ျားလေးများ သိသိသာသာနည်းသော ပြဇာတ်ကို နှစ်သက်သော အမျိုးအစားအဖြစ် နှစ်သက်ပါက ဘက်လိုက်သော ရလဒ်များ ဖြစ်ပေါ်လာနိုင်သည်။

အကောင်းဆုံးကတော့၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏နမူနာကို ကျွန်ုပ်တို့လူဦးရေ၏ “မီနီဗားရှင်း” နှင့် ဆင်တူစေလိုပါသည်။ ထို့ကြောင့်၊ စုစုပေါင်း ကျောင်းသားဦးရေကို 50% မိန်းကလေးများနှင့် 50% ယောက်ျားလေးများဖြင့် ဖွဲ့စည်းထားလျှင် ကျွန်ုပ်တို့၏နမူနာတွင် ယောက်ျားလေး 90% နှင့် 10% မိန်းကလေးများသာ ကိုယ်စားပြုမည်မဟုတ်ပါ။

ထို့ကြောင့် သင်သည် သင်၏ကိုယ်ပိုင် စစ်တမ်းကို ကောက်ယူနေသည် သို့မဟုတ် စစ်တမ်း၏ ရလဒ်များကို ဖတ်သည်ဖြစ်စေ နမူနာဒေတာသည် စုစုပေါင်းလူဦးရေကို ကိုယ်စားပြုခြင်း ရှိ၊ မရှိနှင့် စစ်တမ်းရလဒ်များကို လူဦးရေအား ယုံကြည်စိတ်ချစွာ ယေဘုယျ ခွဲခြားနိုင်မှု ရှိမရှိ နားလည်ရန် အရေးကြီးပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

နိဒါန်းစာရင်းဇယားများတွင် အရေးကြီးဆုံးသော သဘောတရားများကို အခြေခံနားလည်သဘောပေါက်ရန် အောက်ပါဆောင်းပါးများကို ကြည့်ပါ။

သရုပ်ဖော်ခြင်း သို့မဟုတ် ကောက်ချက်ချသော စာရင်းအင်းများ
လူဦးရေ vs. နမူနာ
ကိန်းဂဏန်းများနှင့် ကန့်သတ်ချက်များ
အရည်အသွေးနှင့် အရေအတွက် ကိန်းရှင်များ
တိုင်းတာမှုအဆင့်များ- အမည်ခံ၊ ပုံမှန်၊ ကြားကာလနှင့် အချိုး