สารบัญ7 หัวข้อหลัก
- 1.ฐานคิด คุณภาพ และมาตรฐานของสถิติทางการ
- 2.จากความต้องการของผู้ใช้สู่แบบสำรวจที่ตอบคำถามได้
- 3.การสร้างระบบ ทดลองเครื่องมือ และควบคุมภาคสนาม
- 4.การประมวลผลที่รักษาต้นฉบับและตรวจย้อนกลับได้
- 5.การวิเคราะห์ การเผยแพร่ และการเรียนรู้รอบถัดไป
- 6.การเลือกตัวอย่างและ Total Survey Error
- 7.สถิติเชิงพรรณนา การตีความ และความไม่แน่นอน
ฐานคิด คุณภาพ และมาตรฐานของสถิติทางการ
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
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
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
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
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
GSBPM อธิบายกิจกรรมที่จําเป็นในการผลิตสถิติทางการด้วยคําศัพท์ร่วม ใช้ทํา process documentation ออกแบบระบบ เชื่อม metadata ประเมินคุณภาพ และแบ่งปัน component ระหว่างโครงการ รุ่น 5.2 ยังมีแปด phase เช่นรุ่น 5.1 แต่ปรับถ้อยคําให้สะท้อน multi-source และ multi-mode มากขึ้น; phase ไม่จําเป็นต้องเกิดครบทุกครั้งหรือเป็นเส้นตรง ข้อมูลประจําอาจเริ่มที่ Collect หาก design คงเดิม ข้อมูลใหม่อาจวนระหว่าง Specify Needs, Design และ Build และ Analyse อาจพบปัญหาที่ต้องย้อน Process; กิจกรรมคร่อมทุก phase ได้แก่ quality management, metadata management, data management, process data management, knowledge management, provider management และ capability
- 1ระบุการตัดสินใจที่ข้อมูลต้องสนับสนุน ผู้ใช้ ผลผลิต และช่วงเวลาที่ต้องส่งมอบ
- 2กำหนดประชากร หน่วย ตัวแปร แนวคิด นิยาม ระดับการวัด และมาตรฐานที่ทำให้เปรียบเทียบกันได้
- 3ออกแบบแหล่งข้อมูล กรอบตัวอย่าง เครื่องมือ ช่องทางเก็บ การประมวลผล และแผนวิเคราะห์เป็นระบบเดียว
- 4ควบคุมคุณภาพระหว่าง Build, Collect, Process และ Analyse พร้อมเก็บร่องรอยการตัดสินใจ
- 5เผยแพร่ผลพร้อม metadata ประเมินความคลาดเคลื่อนและเสียงผู้ใช้ แล้วนำผลกลับไปปรับรอบถัดไป
จากความต้องการของผู้ใช้สู่แบบสำรวจที่ตอบคำถามได้
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
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
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
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
- 1แยกคำถามเชิงนโยบายออกเป็นวัตถุประสงค์ ผู้ใช้ และการตัดสินใจที่ต้องรองรับ
- 2กำหนดแนวคิด นิยาม หน่วย ประชากรอ้างอิง ช่วงเวลา และระดับพื้นที่ของค่าประมาณ
- 3ทบทวนข้อมูลทะเบียน สำมะโน สำรวจเดิม หรือแหล่งใหม่ ก่อนตัดสินใจเก็บข้อมูลเพิ่ม
- 4ออกแบบตาราง รายงาน metadata ช่องทางเก็บ แบบสอบถาม กรอบตัวอย่าง และกฎตรวจข้อมูลพร้อมกัน
- 5เขียนกระบวนงานตั้งแต่รับข้อมูลถึงผลผลิต พร้อมเกณฑ์ผ่าน การทดสอบ และผู้อนุมัติแต่ละช่วง
เนื้อหาสรุปนี้จัดทำขึ้นเพื่อการศึกษาส่วนบุคคล ห้ามคัดลอก ทำซ้ำ หรือนำไปใช้เพื่อวัตถุประสงค์ทางการค้าโดยไม่ได้รับอนุญาต