สารบัญ7 หัวข้อหลัก
GSBPM คุณภาพ และมาตรฐานของงานสถิติ
สํานักงานสถิติแห่งชาติใช้องค์ประกอบระดับ 1 เป็น 8 ขั้นตอน ได้แก่ กําหนดความต้องการ ออกแบบ พัฒนา เก็บรวบรวม ประมวลผล วิเคราะห์ เผยแพร่ และประเมิน ส่วนเอกสารสากลปัจจุบันคือ GSBPM version 5.2 (May 2025) ซึ่ง UNECE ระบุชัดว่าเป็นกรอบกิจกรรมและศัพท์ร่วม ไม่ใช่เส้นทางตายตัวที่ห้ามย้อนกลับ งานสํารวจจริงจึงอาจทําหลายขั้นขนานกันหรือย้อนกลับเมื่อพบปัญหา แต่ต้องควบคุมคุณภาพ metadata และร่องรอยการตัดสินใจตลอดสายงาน; ระดับข้อมูลต้องแยกให้ถูก: ข้อมูลระดับย่อยหรือข้อมูลจุลภาคคือ ข้อมูลลักษณะของหน่วยประชากร เช่นระเบียนของคน ครัวเรือน หรือสถานประกอบการหนึ่งหน่วย เมื่อประมวลรวมจึงกลายเป็นผลสถิติระดับกลุ่ม คําอธิบายข้อมูลหรือ metadata มีหน้าที่ อธิบายแหล่งและรูปแบบข้อมูล รวมถึงคํานิยาม หน่วย ช่วงอ้างอิง
การผลิตสถิติไม่ใช่เพียงเก็บตัวเลขแล้วคํานวณค่าเฉลี่ย แต่เริ่มจากรู้ว่าผู้ใช้ต้องตัดสินใจอะไร กําหนดประชากร แนวคิด ตัวแปร และผลผลิต ออกแบบแหล่งข้อมูลกับระเบียบวิธี สร้างและทดสอบระบบ เก็บ ประมวลผล วิเคราะห์ เผยแพร่ แล้วประเมินเพื่อนําบทเรียนกลับไปปรับรอบถัดไป; สรุปนี้ใช้ Generic Statistical Business Process Model: GSBPM version 5.2 (May 2025) ซึ่ง UNECE เผยแพร่และ Conference of European Statisticians รับรองในเดือนมิถุนายน 2025 ร่วมกับกรอบมาตรฐานสถิติของสํานักงานสถิติแห่งชาติและหลักวิชาการสํารวจตัวอย่าง; คําถามสถานการณ์จึงควรแก้ที่ต้นเหตุ ถ้าคํานิยามคลุมเครือต้องกลับไปขั้นออกแบบ ไม่ใช่หวังให้การตรวจข้อมูลปลายทางเดาความหมาย ถ้าตัวอย่างไม่รองรับรายจังหวัดต้องแก้ sample design
ข้อมูลคือข้อเท็จจริงหรือค่าที่บันทึกจากหน่วยหนึ่ง ๆ สถิติคือผลที่ได้จากการประมวลหรือสรุปข้อมูลเพื่ออธิบายปรากฏการณ์ ส่วนสารสนเทศคือสถิติพร้อมบริบทที่ช่วยให้ผู้ใช้เข้าใจและตัดสินใจ หลักฐานจึงต้องรวมทั้งตัวเลข วิธีผลิต คุณภาพ และข้อจํากัด; ตัวเลขรายได้ของครัวเรือนแต่ละหลังเป็น microdata ค่าเฉลี่ยรายได้ถ่วงน้ําหนักระดับจังหวัดเป็น estimate และคําอธิบายว่าค่าเพิ่มเพราะกลุ่มใด ภายใต้ช่วงความเชื่อมั่นเท่าไร เป็นการตีความเชิงสถิติ การใช้คําเหล่านี้แยกกันช่วยไม่ให้เอาระเบียนหนึ่งรายไปอ้างแทนประชากร; ก่อนคํานวณต้องมี metadata เช่นคํานิยาม หน่วย ช่วงอ้างอิง แหล่ง วิธีเลือกตัวอย่าง รหัส missing และ version หากขาด metadata ค่าที่ถูกคํานวณอาจใช้เทียบเวลา หรือรวมกับแหล่งอื่นไม่ได้;
ตัวแปรเชิงกลุ่มอาจเป็น nominal เช่นจังหวัดหรืออาชีพ และ ordinal เช่นระดับความพึงพอใจ ตัวแปรเชิงปริมาณอาจเป็น discrete เช่นจํานวนบุตร หรือ continuous เช่นรายได้ น้ําหนัก เวลา ระดับการวัดไม่ใช่แค่ชื่อคอลัมน์ แต่ขึ้นกับความหมายและวิธีบันทึก; รหัส 1=ชาย 2=หญิงเป็นตัวเลขแต่ไม่ใช่ปริมาณ การเฉลี่ยรหัสจึงไม่มีความหมาย ขณะที่ระดับความพึงพอใจ 1–5 มีลําดับแต่ระยะห่างอาจไม่เท่ากัน ต้องรู้สมมติฐานก่อนใช้ค่าเฉลี่ยหรือแบบจําลอง; หนึ่งแนวคิดอาจต้องวัดด้วยหลายตัวแปร เช่นคุณภาพชีวิตมีสุขภาพ รายได้ ความปลอดภัย ความสัมพันธ์ และสิ่งแวดล้อม ผู้ผลิตต้องนิยาม construct และวิธีรวมคะแนนก่อนเก็บ ไม่สร้าง index หลังเห็นว่าตัวแปรใดให้ผลตามคาด; จุดที่มักสับสนคือเปลี่ยนประเภทตัวแปรระหว่างไฟล์ เช่นรหัสจังหวัดบางปีเป็นสองหลัก บางปี
คุณภาพสําหรับผู้ใช้ครอบคลุม relevance, accuracy/reliability, timeliness/punctuality, accessibility/clarity, coherence/comparability และบางกรอบรวม credibility กับ cost-efficiency ผลผลิตอาจแม่นแต่ช้าเกินการตัดสิน หรือทันแต่ไม่มีคําอธิบายจนใช้ผิด; ต้องกําหนดตัวชี้วัดตั้งแต่ต้น เช่น coverage rate, response rate, item nonresponse, edit rate, imputation rate, standard error, revision size, release delay, user access และ disclosure risk พร้อม threshold และผู้รับผิดชอบ; คุณภาพเกิดตลอดกระบวนการ ไม่ใช่ตรวจหลังงานจบ Sampling error เป็นเพียงส่วนหนึ่ง Total Survey Error ยังมี coverage, nonresponse, measurement, processing และ model error ซึ่งบางส่วนเพิ่มขึ้นเมื่อพยายามลดต้นทุน; จุดที่มักสับสนคือรายงาน
สํานักงานสถิติแห่งชาติอธิบายมาตรฐานสถิติเป็นข้อกําหนดหรือแนวทางที่ตกลงร่วมกันในการผลิต เก็บรวบรวม และจัดการสารสนเทศเพื่อให้ข้อมูลต่างช่วงเวลาและต่างแหล่งบูรณาการได้ ระบบสถิติไทยเป็นแบบกระจายงานจึงยิ่งต้องมีภาษากลาง; มาตรฐานแบ่งเป็นสามกลุ่ม: มาตรฐานกระบวนการผลิตสถิติ มาตรฐานกรอบแนวคิด เช่นคํานิยาม ตัวแปร คําถาม และการจัดจําแนก และมาตรฐานการเผยแพร่ เช่นสัญลักษณ์ในตาราง รายงาน และ metadata; เวลารวมข้อมูลต้อง ใช้การจัดจําแนกและรหัสมาตรฐานเดียวกัน หรือจัด mapping ระหว่าง version อย่างมีหลักฐาน โดยเลือกมาตรฐานที่เหมาะ จัดทํารหัสและคู่มือ แล้วทดสอบการให้รหัสกับตัวอย่างจริง; จุดที่มักสับสนคือบังคับรหัสเดียวโดยไม่ดูบริบทหรือเวอร์ชัน การเปลี่ยนมาตรฐานอาชีพหรืออุตสาหกรรมต้องมี concordance และ flag
- 1Specify Needs เพื่อระบุผู้ใช้ การตัดสินใจ แนวคิด นิยาม และผลผลิตที่ต้องส่งมอบ
- 2Design และ Build เพื่อกำหนดแหล่งข้อมูล กรอบ เครื่องมือ กระบวนงาน กฎคุณภาพ แล้วทดสอบก่อนใช้จริง
- 3Collect และ Process เพื่อควบคุมหน่วยงานภาคสนาม รับข้อมูล รักษาต้นฉบับ และแปลงตามกฎที่ติดตามได้
- 4Analyse และ Disseminate เพื่อสร้างค่าประมาณ ตรวจความสมเหตุสมผล ควบคุมการเปิดเผย และให้ metadata แก่ผู้ใช้
- 5Evaluate เพื่อรวมหลักฐานคุณภาพ ต้นทุน ปัญหา และเสียงผู้ใช้กลับไปปรับรอบถัดไป
จากความต้องการสู่การออกแบบข้อมูลและผลผลิต
จุดเริ่มไม่ใช่หัวข้อกว้างแต่คือการตัดสินใจที่ต้องใช้ข้อมูล ผู้ผลิตควร หารือผู้ใช้ให้ชัดถึงคําถาม การตัดสินใจ กลุ่มเป้าหมาย และเวลาที่ต้องใช้ข้อมูล รวมรูปแบบ ระดับพื้นที่ ความถี่ และความแม่นยําที่ยอมรับได้; คําขอ “คุณภาพชีวิตดีขึ้นไหม” ต้องถามว่าจะใช้จัดงบ ประเมินนโยบาย หรือเฝ้าระวัง ใครคือผู้ใช้และประชากร ช่วงใด ต้องเปรียบเทียบอะไร และต้องตอบเมื่อไร จากนั้นจึงเลือก indicators ที่สัมพันธ์กับการตัดสินใจ; หลักฐานว่าขั้นนี้ดีคือ user story หรือ requirements ที่ตรวจสอบย้อนกลับได้ มี priorities, trade-offs และ acceptance criteria ไม่ใช่บันทึกประชุมว่า “ต้องการข้อมูลละเอียด” โดยไม่มีระดับผลผลิต; จุดที่มักสับสนคือให้ผู้บริหารระบุชื่อตารางแล้วถือว่ารู้ need
คําว่า employed, household, income, disability หรือ enterprise มีเกณฑ์รวม–ไม่รวมและช่วงอ้างอิง ต้อง กําหนดกรอบแนวคิดและคํานิยามตัวแปร ก่อนออกคําถาม เพื่อให้ผู้เก็บ ผู้ประมวล และผู้ใช้พูดถึงสิ่งเดียวกัน; หลักฐานว่าคํานิยามใช้ได้คือ ผู้ปฏิบัติจําแนกกรณีเดียวกันได้สอดคล้องและข้อมูลเปรียบเทียบกันได้ ข้ามทีม พื้นที่ และเวลา พร้อมมี decision tree สําหรับกรณีชายขอบและ version ของมาตรฐาน; operational definition แปลงแนวคิดนามธรรมเป็นสิ่งสังเกต เช่นทํางานอย่างน้อยหนึ่งชั่วโมงในช่วงอ้างอิงและอยู่ในเงื่อนไขที่กําหนด การเปลี่ยนคําถามหรือช่วงเวลาอาจทําให้ series break แม้ชื่อตัวชี้วัดเดิม; จุดที่มักสับสนคือให้ coder แก้ความหมายภายหลัง ถ้าคําถามไม่เก็บข้อมูลที่จําเป็น
ก่อนลงทุนให้ระบุว่าข้อมูลทะเบียน สํารวจเดิม งานวิจัย หรือ open data ตอบส่วนใด มีช่องว่าง coverage, concept, timeliness หรือ granularity อย่างไร ผลลัพธ์ที่ดีคือ ระบุได้ว่าข้อมูลเดิมตอบอะไรและช่องว่างใดจําเป็นต้องผลิตเพิ่ม; business case เปรียบทางเลือก ผลประโยชน์สาธารณะ ต้นทุน ความเสี่ยง ภาระผู้ตอบ กฎหมาย กําลังคน เทคโนโลยี และกําหนดเวลา อาจเลือกปรับ survey เดิม เชื่อมทะเบียน ใช้ small-area model หรือเลื่อนผลผลิตบางระดับแทนทําทุกอย่างพร้อมกัน; ข้อมูลการออกแบบกับ assumptions ต้องมี owner และ approval ถ้าผู้ใช้ต้องการจังหวัดทุกจังหวัดแต่ทรัพยากรไม่พอ ให้เจรจา precision, pooling periods หรือ priority domains อย่างโปร่งใส ไม่รับปากแล้วผลิตค่าที่ไม่น่าเชื่อถือ;
GSBPM ให้กําหนดตาราง ตัวชี้วัด รูปแบบ release, metadata, disclosure control และช่องทางเข้าถึงก่อนเก็บข้อมูล เพราะ output specification เป็นตัวบอกว่าต้องมีตัวแปร sample precision และระบบใด; ควรทํา mock table หรือ prototype dashboard พร้อม row, column, denominator, units, suppression rule และ notes ให้ผู้ใช้ทดสอบ การเห็นช่องว่างบน mock output ถูกกว่าพบหลังปิด fieldwork; ผลผลิตต้องรองรับผู้ใช้หลายระดับ เช่นข่าวสรุป รายงาน ตาราง machine-readable และ microdata ภายใต้เงื่อนไข แต่ทุกช่องทางต้องใช้ค่าและ version เดียวกัน มี release calendar และ revision policy; จุดที่มักสับสนคือเริ่มจากหน้าตากราฟสวยแล้วค่อยหา data series หากไม่มี denominator หรือ sample support
ช่องทางอาจเป็น face-to-face, telephone, web, mail, self-administered หรือดึงจากระบบ การ เลือกรูปแบบเก็บข้อมูลให้เหมาะกับประชากรเป้าหมาย ต้องดู coverage, literacy, access, sensitivity, complexity, cost, timeliness และ measurement mode effect; ก่อนผสมช่องทางให้ ประเมินการเข้าถึง ต้นทุน ความไวของคําถาม และความคลาดเคลื่อนก่อนผสมช่องทาง วางลําดับ mode, contact protocol, mode transition และวิธีทดสอบว่าคําถามยังวัดแนวคิดเดียวกัน; ถ้าบางกลุ่มเข้าเว็บไม่ได้ การใช้ web-only สร้าง coverage error ควรมี assisted mode หรือ alternative ที่เข้าถึงได้ พร้อมรักษาข้อความและ response options ให้เทียบกัน ไม่ผลักภาระไปที่กลุ่มเปราะบาง; จุดที่มักสับสนคืออัตราตอบ web สูงในกลุ่มแรกแล้วปิดช่องอื่นเร็ว กลุ่มที่ตอบเร็วอาจไม่แท
ก่อนเขียนโปรแกรมต้องกําหนด coding, editing, validation, imputation, derivation, integration, weighting, aggregation, variance และ disclosure control พร้อม input/output metadata และ quality indicators; กฎทุกข้อควรระบุ severity, action และ audit เช่น warning ให้ interviewer ตรวจ fatal ห้ามส่ง หรือ flag ให้ analyst ทบทวน ห้ามเขียนกฎที่ลบหรือแก้ค่าต้นฉบับโดยไม่มี version; analysis plan ระบุ estimates, domains, variance method, comparisons, adjustment, handling missing และ criteria สําหรับ commentary ก่อนดูผล การ preregister ส่วนสําคัญลดการเลือกเรื่องเล่าหลังเห็นตัวเลข; จุดที่มักสับสนคือทําความสะอาดแบบ ad hoc ใน spreadsheet ซึ่งไม่มี code/version การแก้ทุกครั้งต้อง reproducible และเชื่อมกับเหตุผล
เนื้อหาสรุปนี้จัดทำขึ้นเพื่อการศึกษาส่วนบุคคล ห้ามคัดลอก ทำซ้ำ หรือนำไปใช้เพื่อวัตถุประสงค์ทางการค้าโดยไม่ได้รับอนุญาต