Statistical Analysis

Statistical Analysis Statistics with R, STATA, SPSS

05/08/2026

AI ကို ဒုက္ခမရောက်ဘဲ လမ်းမှန်အတိုင်း ထိရောက်စွာ အသုံးပြုနည်း (၅) ဆင့် 🎯
​Research ရဲ့ Data Analysis အပိုင်းမှာ AI ရဲ့ မှားယွင်းတဲ့ အဖြေတွေကြောင့် လမ်းမပျောက်ဘဲ အမှန်ကန်ဆုံးနဲ့ အကျိုးရှိဆုံး အသုံးချနိုင်ဖို့အတွက် အောက်ပါ Best Practices (၅) ချက်ကို စနစ်တကျ အသုံးပြုနိုင်ပါတယ်။
​AI ကို ထိရောက်စွာ အသုံးပြုနည်း (၅) ဆင့် 💡
​၁️⃣ AI ကို Method ရွေးခိုင်းရန် မသုံးပါနှင့်
Research Method နဲ့ Conceptual Framework ဆိုတာ သီအိုရီအခြေခံအရ ရွေးချယ်ရတာဖြစ်တာကြောင့် Supervisor နဲ့ တိုင်ပင်ဆွေးနွေးပြီးမှသာ အရင်ဆုံး ရှင်းရှင်းလင်းလင်း ဆုံးဖြတ်ပါ။
​၂️⃣ Coding / Syntax ရေးသားရာတွင်သာ ခိုင်းစေပါ
SPSS, R, Python သို့မဟုတ် Stata စတဲ့ Statistical Software တွေမှာ သုံးမယ့် Script/Code တွေနဲ့ Syntax တွေ ရေးသားရယူတဲ့အခါမျိုးမှာမှ AI ကို အဓိက ကူညီခိုင်းပါ။
​၃️⃣ Prompt ကို တိကျပြတ်သားစွာ ပေးပါ
"ဒီ ဒေတာကို ဘယ်လို တွက်ရမလဲ" ဆိုပြီး မရေမရာ မမေးပါနဲ့။ "ငါ့မှာ Categorical Dependent Variable ရှိတယ်၊ Logistic Regression ဆွဲချင်တယ်၊ R code ရေးပေးပါ" ဟု တိကျတဲ့ Context ဖြင့် ခိုင်းစေပါ။
​၄️⃣ ရလဒ်များကို Cross-Check ပြန်လုပ်ပါ
AI ထုတ်ပေးတဲ့ အဖြေများ၊ Interpretations များနဲ့ Formula များကို Textbook ပါ သီအိုရီများ/စံနှုန်းများနှင့် အမြဲတမ်း ပြန်လည်တိုက်ဆိုင် စစ်ဆေးပါ။
​၅️⃣ Supervisor ရဲ့ လမ်းညွှန်မှုကိုသာ အဓိကထားပါ
AI ရဲ့ အကြံပြုချက်များကို Supervisor နဲ့ ဆွေးနွေးရာမှာ Reference အဖြစ်သာ အသုံးပြုပါ၊ Supervisor ရဲ့ အတည်ပြုချက်သည်သာ သုတေသနအတွက် အဓိက အတည်ဖြစ်ပါတယ်။

​📊 မိမိရဲ့ Research / Thesis အတွက် Statistical Analysis လုပ်ရာမှာ အခက်အခဲရှိနေရင် သို့မဟုတ် စနစ်တကျ တိုင်ပင်ဆွေးနွေးချင်ရင် ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
• Phone: 09 760373714
• Viber: 09 760373714
• WhatsApp: +959 760373714
• WeChat: +959 760373714
• Email: [email protected]

05/08/2026

AI သုံးတာ မမှားပါဘူး... ဒါပေမဲ့ "မသိဘဲ သုံးတာ" ကတော့ အလွန် အန္တရာယ်များပါတယ် ⚠️
​Data Analysis လုပ်ရတာ ပိုမိုမြန်ဆန်ပြီး လွယ်ကူသွားအောင် AI ရဲ့ အကူအညီကို ယူတာဟာ မကောင်းတဲ့ ကိစ္စ မဟုတ်ပါဘူး။ ဒါပေမဲ့ ကိုယ်တိုင် ဘာမှ မသိဘဲ AI ကို Blank Cheque ပေးပြီး လွှဲခိုင်းလိုက်တာကတော့ မိမိရဲ့ Thesis/Research တစ်ခုလုံးကို ပျက်စီးသွားစေနိုင်ပါတယ်။
​AI ကို Data Analysis အတွက် မသုံးမီ ကျောင်းသားတိုင်း မဖြစ်မနေ သိထားရမယ့် အခြေခံ (၃) ချက် 🧠
​၁️⃣ Descriptive vs Inferential Statistics
မိမိ ဒေတာကို အမှန်တကယ် ဖော်ပြရုံ (Descriptive) ပဲ လုပ်မှာလား၊ Variable တွေကြား အပြန်အလှန် ဆက်စပ်မှုနဲ့ သက်ရောက်မှုကို စမ်းသပ်မှာ (Inferential) လားဆိုတာ ကွဲကွဲပြားပြား တိတိကျကျ သိထားရပါမည်။
​၂️⃣ Data Types & Assumptions
မိမိသုံးမယ့် Data အမျိုးအစား (Continuous, Categorical, Ordinal) နဲ့ သက်ဆိုင်ရာ Statistical Assumptions များ (Normality, Homogeneity, Multicollinearity) အကြောင်းကို အခြေခံအားဖြင့် နားလည်ထားရပါမည်။
​၃️⃣ Prompts အသုံးချမှု တိကျမှန်ကန်ခြင်း
AI ကို မေးခွန်းမေးတဲ့အခါ "ဒီဒေတာကို ဘာလုပ်ရမလဲ" ဆိုပြီး ရမ်းမေးလို့ မရပါဘူး။ Data Description, Sample Size နဲ့ Research Goal တို့ကို တိကျစွာ Prompt ထဲမှာ ထည့်သွင်းပေးနိုင်ရပါမည်။
​💡 ​ကိုယ်တိုင် Statistics ရဲ့ သဘောတရား အခြေခံကိုမျှ နားမလည်ထားပါက AI ထုတ်ပေးတဲ့ အဖြေထဲက အမှားနဲ့ အမှန်ကို မည်သို့မျှ ခွဲခြားနိုင်မည် မဟုတ်ပါ။
​AI ဆိုတာ သင့်အစား စဉ်းစားပေးမယ့် ဦးနှောက် မဟုတ်ဘဲ သင့်အမိန့်အတိုင်း လုပ်ဆောင်ပေးတဲ့ ကိရိယာ (Tool) မျှသာ ဖြစ်ပါတယ်။
​📊 မိမိရဲ့ Research / Thesis အတွက် Statistical Analysis လုပ်ရာမှာ အခက်အခဲရှိနေရင် သို့မဟုတ် စနစ်တကျ တိုင်ပင်ဆွေးနွေးချင်ရင် ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
• Phone: 09 760373714
• Viber: 09 760373714
• WhatsApp: +959 760373714
• WeChat: +959 760373714
• Email: [email protected]

05/08/2026

Structural Equation Modeling လား? Multiple Regression လား? AI ကို မေးရင် ဘာလို့ လမ်းပျောက်ရတာလဲ?
​Data တူတူကိုပဲ AI မှာ ထည့်ပြီး ဘာ နည်းလမ်း (Methodology) သုံးရမလဲ မေးလိုက်တဲ့အခါ မေးတိုင်း မတူညီတဲ့ Statistical Methods တွေ ညွှန်ပြတတ်ပါတယ်။ ဒါက Research/Thesis လုပ်နေတဲ့ ကျောင်းသားတွေကို အကြီးအကျယ် ဒုက္ခရောက်စေတဲ့ အချက်ပဲ ဖြစ်ပါတယ်။
​ဘာကြောင့် AI က Statistical Methods တွေကို လျှောက်ညွှန်နေရတာလဲ? 🔍
​၁️⃣ Statistical Assumptions တွေကို မစစ်ဆေးနိုင်ခြင်း
Regression မဆွဲခင် Data က Normality ဖြစ်ရဲ့လား၊ Linearity ရှိရဲ့လား၊ Sample Size လုံလောက်ရဲ့လား စတဲ့ မဖြစ်မနေ စစ်ရမယ့် Statistical Assumptions တွေကို AI က တိုက်ရိုက် မစစ်ဆေးပေးနိုင်ပါဘူး။
​၂️⃣ Variable Types ကို သေချာ မသိခြင်း
သင့်ရဲ့ Data က Continuous (Scale) လား၊ Categorical လား၊ Ordinal လားဆိုတာကို တိတိကျကျ သေချာမရှင်းပြနိုင်ရင် AI က မှားယွင်းတဲ့ Statistical Test တွေကိုပဲ ညွှန်ပြပါလိမ့်မယ်။
​💡 အမှန်တကယ် ဖြစ်သင့်သည်မှာ
​Analysis နည်းလမ်းဆိုတာ AI ကို မေးပြီး ပေးသမျှအတိုင်း ရွေးရတာ မဟုတ်ပါဘူး။ သင့်ရဲ့ Research Questions, Hypotheses နဲ့ Data Scale တွေအပေါ် မူတည်ပြီး Human Researcher (ကျောင်းသား + Supervisor) ကိုယ်တိုင်ကသာ သီအိုရီအရ ဆုံးဖြတ်ရတာ ဖြစ်ပါတယ်။
​📊 မိမိရဲ့ Research / Thesis အတွက် Statistical Analysis လုပ်ရာမှာ အခက်အခဲရှိနေရင် သို့မဟုတ် စနစ်တကျ တိုင်ပင်ဆွေးနွေးချင်ရင် ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
• Phone: 09 760373714
• Viber: 09 760373714
• WhatsApp: +959 760373714
• WeChat: +959 760373714
• Email: [email protected]

05/08/2026

"ဆရာပြောတာထက် ChatGPT ပြောတာက ပိုမှန်တယ်" လို့ ထင်မိနေပါသလား? 🛑
​Research/Thesis လုပ်နေတဲ့ ကျောင်းသားတွေကြား မကြာခဏ ကြုံတွေ့ရလေ့ရှိတဲ့ အမှားတစ်ခုကတော့ Supervisor ရဲ့ လမ်းညွှန်ချက်ထက် AI ပေးတဲ့ အဖြေကို ပိုပြီး အမှန်ထင်မှတ် မိနေကြတာပဲ ဖြစ်ပါတယ်။
​ဘာကြောင့် AI ရဲ့ အဖြေက ပိုမှန်သလို ထင်ရတာလဲ?
​• Confidence အပြည့် စာစီနိုင်ခြင်း - AI က စာရေးရင် အလွန် ယုံကြည်မှုရှိရှိ၊ စာစီစာရိုက် သပ်ရပ်စွာနဲ့ ပညာရှင်ဆန်ဆန် ရေးပေးတတ်ပါတယ်။
• Hallucination အန္တရာယ် - ဒါပေမဲ့ AI မှာ "မရှိတာကို ရှိတယ်လို့ လျှောက်လုပ်ကြံပြောခြင်း" (Hallucination) ဆိုတဲ့ အကြီးမားဆုံး အားနည်းချက် ရှိနေပါတယ်။
• အမှားကို အမှန်လို ရေးပြခြင်း - Statistical Analysis မှာ နည်းလမ်း သို့မဟုတ် အတွက်အချက် အမှားပါနေရင်တောင် AI က အမှန်လိုလို စာစီပြီး ဆွဲဆောင်မှုရှိရှိ ပြောပြနိုင်ပါတယ်။
​💡 သတိထားရမယ့် အချက်
​Supervisor တွေဆိုတာ သင့် Research ရဲ့ ရည်ရွယ်ချက်၊ မူရင်း ဒေတာရဲ့ သဘာဝနဲ့ သင့်တော်မယ့် Methodology ကို Domain Knowledge အရ အနီးကပ် ဆုံးဖြတ်ပေးနိုင်တဲ့ ပညာရှင်တွေ ဖြစ်ပါတယ်။
​AI ဆိုတာ အဖြေမှန်ကို တိုက်ရိုက်ပေးနိုင်တဲ့ Subject Expert မဟုတ်ဘဲ အကူအညီပေးရုံ Assistant သာ ဖြစ်တာကို မမေ့ပါနဲ့။
​📊 မိမိရဲ့ Research / Thesis အတွက် Statistical Analysis လုပ်ရာမှာ အခက်အခဲရှိနေရင် သို့မဟုတ် စနစ်တကျ တိုင်ပင်ဆွေးနွေးချင်ရင် ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
• Phone: 09 760373714
• Viber: 09 760373714
• WhatsApp: +959 760373714
• WeChat: +959 760373714
• Email: [email protected]

05/08/2026

ChatGPT တစ်မျိုး၊ Claude တစ်မျိုး၊ Copilot က တစ်မျိုး... ဘယ်သူ့ကို ယုံရမလဲ? 🤖❓
​ဒီနေ့ခေတ် ကျောင်းသားတွေနဲ့ သုတေသနပြုသူတွေ Data Analysis လုပ်တဲ့အခါ AI တွေကို အများကြီး အားကိုးလာကြပါတယ်။ ဒါပေမဲ့ မေးခွန်းတစ်ခုတည်းကို AI ၂ မျိုး၊ ၃ မျိုးမှာ မေးကြည့်တဲ့အခါ အဖြေတွေရော၊ ခိုင်းတဲ့ Analysis နည်းလမ်းတွေပါ မတူဘဲ ထွက်လာတာမျိုး ကြုံဖူးကြပါလိမ့်မယ်။
​ဘာကြောင့် AI တွေ ပေးတဲ့အဖြေ မတူရတာလဲ? 🔍
​၁️⃣ Prompt Input အနည်းငယ် ကွဲပြားရုံနဲ့ လွဲသွားတတ်ခြင်း
မေးခွန်းမေးတဲ့အခါ သုံးလိုက်တဲ့ စကားလုံး အပြောင်းအလဲ အနည်းငယ်ကြောင့် AI က Data ရဲ့ Nature ကို လွဲမှား ကောက်ယူသွားတတ်ပါတယ်။
​၂️⃣ Training Data နဲ့ Model Logic ကွဲပြားခြင်း
AI Model တစ်ခုစီမှာ သင်ယူထားတဲ့ Dataset တွေ၊ အသုံးပြုထားတဲ့ Algorithm နဲ့ Mathematical Approach တွေ သီးခြားစီ ကွဲပြားနေလို့ ဖြစ်ပါတယ်။
​၃️⃣ Research Context ကို မသိခြင်း
AI ဟာ သင့်ရဲ့ Study Area (ဥပမာ- Economics လား၊ Medical လား၊ Social Science လား) ဆိုတဲ့ အကြောင်းအရာ Background ကို အတိအကျ မသိဘဲ General Analysis နည်းလမ်းကိုပဲ ပေးလေ့ရှိပါတယ်။
​💡 သတိထားရမယ့် အချက်
AI ဆိုတာ Data တိုင်းကို အမှန်တကယ် နားလည်နေတာ မဟုတ်ဘဲ စကားလုံးတွေရဲ့ ဆက်စပ်မှုကို ခန့်မှန်းပေးတဲ့ Large Language Model သာ ဖြစ်ပါတယ်။ AI တွေ အဖြေမတူတာဟာ AI အချင်းချင်း "ညှိမရလို့" မဟုတ်ဘဲ မူရင်း Statistical Logic ကို ကျောင်းသားကိုယ်တိုင် သေချာမသိသေးလို့ ဖြစ်ပါတယ်။
​📊 မိမိရဲ့ Research / Thesis အတွက် Statistical Analysis လုပ်ရာမှာ အခက်အခဲရှိနေရင် သို့မဟုတ် စနစ်တကျ တိုင်ပင်ဆွေးနွေးချင်ရင် ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
• Phone: 09 760373714
• Viber: 09 760373714
• WhatsApp: +959 760373714
• WeChat: +959 760373714
• Email: [email protected]

05/08/2026

📌 Hypothesis Testing တွေ မှန်မှန်ကန်ကန် ဆုံးဖြတ်နိုင်ဖို့ Classical Assumption (7)
​" regression မော်ဒယ်ဆွဲပြီးသွားလို့ t-test နဲ့ p-value တွေကို ကြည့်တော့မယ်ဆိုရင် ဒီ Assumption ကို စစ်ပြီးပြီလား?" 🤔
​OLS Classical Assumptions ရဲ့ နောက်ဆုံးအချက်ဖြစ်တဲ့ Assumption (7) – Normality of Error Term ဟာ မော်ဒယ်ရဲ့ ခန့်မှန်းချက်တွေထက် မော်ဒယ်ကို Hypothesis Testing (အဆိုပြုချက် စမ်းသပ်ခြင်း) လုပ်ဆောင်တဲ့အခါ အလွန်အရေးပါတဲ့ မရှိမဖြစ် အချက်တစ်ချက် ဖြစ်ပါတယ်။
​ဒီနေ့မှာတော့ Error Term တွေ Normal Distribution ဖြစ်ဖို့ ဘာကြောင့် လိုအပ်တာလဲဆိုတာကို အသေးစိတ် ဆွေးနွေးပေးသွားပါမယ်။
​🔍 Assumption (7) ဆိုတာ ဘာလဲ?
​သင်္ချာသီအိုရီအရ epsilon_i ~ N(0, sigma^2) လို့ ရေးသားပြီး "Error Term များသည် ပျှမ်းမျှတန်ဖိုး 0 နှင့် Constant Variance sigma^2 ရှိသော Normal Distribution (ခေါင်းလောင်းပုံစံ ပြန့်နှံ့မှု) အတိုင်း ရှိရမည်" လို့ အဓိပ္ပာယ်ရပါတယ်။
​💡 ဘာကို ဆိုလိုတာလဲ?
​၁။ ခေါင်းလောင်းပုံစံ ပြန့်နှံ့မှု (Bell-Shaped Curve)
​ခန့်မှန်းချက် မှားယွင်းမှု (Error) သေးငယ်တဲ့ အချက်အလက်တွေက အများစုဖြစ်နေပြီး၊ အလွန်အမင်း ကြီးမားတဲ့ Error တန်ဖိုးတွေ (Outliers) ကတော့ နည်းပါးစွာနဲ့ ညီမျှစွာ ဘေးနှစ်ဖက်လုံးမှာ ပြန့်နှံ့နေရပါမယ်။
​၂။ ဘာကြောင့် ဒီ Assumption ကို သုံးတာလဲ?
​OLS Beta Coefficients (beta) တွေ Unbiased (ဘက်လိုက်မှုမရှိခြင်း) နဲ့ Efficient (Variance အနည်းဆုံးဖြစ်ခြင်း) ဖြစ်ဖို့အတွက်တော့ ဒီ Normality Assumption ကို မဖြစ်မနေ မလိုပါဘူး။
​ဒါပေမဲ့ Regression တွက်ပြီးရင် မဖြစ်မနေ ကြည့်ရတဲ့ t-test (Variable တစ်ခုချင်းစီ သက်ရောက်မှု ရှိမရှိ စစ်ဆေးခြင်း)၊ F-test (မော်ဒယ်တစ်ခုလုံး ကောင်းမကောင်း စစ်ဆေးခြင်း) နဲ့ Confidence Intervals ခန့်မှန်းချက်တွေ မှန်ကန်စေဖို့အတွက် မရှိမဖြစ် လိုအပ်တာ ဖြစ်ပါတယ်။
​💡 Sample Size အရေးပါပုံ
​ဒီ Assumption ကို "Optional Assumption" လို့လည်း တချို့က ခေါ်ကြပါတယ်။ ဘာကြောင့်လဲဆိုရင် -
​Sample Size သေးငယ်ချိန် (N < 30): Error Term တွေ Normal Distribution မဖြစ်ပါက t-test နဲ့ F-test ရလဒ်တွေ မှားယွင်းသွားနိုင်တဲ့အတွက် မဖြစ်မနေ Normality ရှိမရှိ စစ်ဆေးရပါမယ်။
​Sample Size ကြီးမားချိန် (N ကြီးမားပါက): Central Limit Theorem (CLT) အရ Error Term တွေဟာ မူလက Normal မဟုတ်ခဲ့ရင်တောင် Sample Size ကြီးလာတာနဲ့အမျှ OLS Estimators တွေရဲ့ Distribution ဟာ Normal Distribution နီးပါးကို အလိုအလျောက် ချဉ်းကပ်သွားလေ့ ရှိပါတယ်။
​💡 ဒီပြဿနာကို ဘယ်လို စစ်ဆေးပြီး ဖြေရှင်းမလဲ?
​စစ်ဆေးနည်း
Jarque-Bera Test, Shapiro-Wilk Test သို့မဟုတ် Histogram / Q-Q Plot ဆွဲ၍ Visual စစ်ဆေးနိုင်ပါတယ်။
​ဖြေရှင်းနည်း
​အလွန်အမင်း ထွက်နေသော အချက်အလက်များ (Outliers) ကို စစ်ဆေး၍ ဖယ်ရှားပါ သို့မဟုတ် ပြင်ဆင်ပါ။
​Non-linear Data များကို Log Transformation ပြောင်းလဲပေးပါ။
​Sample Size (အချက်အလက် ပမာဏ) ကို ထပ်မံ တိုးမြှင့်ပါ။

​📊 Statistical Analysis, Econometrics Data Modeling နဲ့ ပတ်သက်ပြီး ဆွေးနွေးလိုပါက သို့မဟုတ် မေးမြန်းလိုသည်များ ရှိပါက ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
​Phone: 09 760373714
​Viber: 09 760373714
​WhatsApp: +959 760373714
​WeChat: +959 760373714
​Email: [email protected]

05/08/2026

📌 Independent Variable တွေ အချင်းချင်း ထပ်နေတဲ့အခါ မော်ဒယ်ကို ပျက်စီးစေမယ့် Classical Assumption (6)
​"Regression မော်ဒယ်ထဲမှာ Independent Variables တွေ ပိုများလေ ပိုကောင်းလေလို့ ထင်နေပါသလား?" 🤔
​Multiple Regression Model တစ်ခု တည်ဆောက်တဲ့အခါ Variable တွေ အဆမတန် ထည့်သွင်းမိရာကနေ Independent Variable တွေ အချင်းချင်း အလွန်အမင်း ဆက်စပ်နေတာမျိုး ကြုံတွေ့ရတတ်ပါတယ်။ ဒါကို OLS မှာ Assumption (6) – No Perfect Multicollinearity လို့ ခေါ်ပါတယ်။
​ဒီနေ့မှာတော့ Multicollinearity ဆိုတာ ဘာလဲ၊ Perfect Multicollinearity နဲ့ High Multicollinearity တို့ရဲ့ ကွာခြားချက်က ဘာလဲဆိုတာကို အသေးစိတ် ဆွေးနွေးပေးသွားပါမယ်။
​🔍 Assumption (6) ဆိုတာ ဘာလဲ?
​"မော်ဒယ်တွင် ပါဝင်သော Independent Variables (X) များသည် အချင်းချင်း အပြည့်အဝ တိုက်ရိုက် ဆက်စပ်နေခြင်း (Perfect Linear Relationship) မရှိရ" လို့ အဓိပ္ပာယ်ရပါတယ်။
​💡 ဘာကို ဆိုလိုတာလဲ?
​၁။ Perfect Multicollinearity (အပြည့်အဝ ဆက်စပ်နေခြင်း)
​မော်ဒယ်ထဲရှိ X_1 variable တစ်ခု၏ တန်ဖိုးသည် အခြား X_2 variable တစ်ခု၏ Perfect Linear Function (အပြည့်အဝ တိုက်ရိုက် ဆက်စပ်နေသည့် တန်ဖိုး) ဖြစ်နေခြင်းကို ဆိုလိုတာပါ။
​သင်္ချာအရ OLS တွက်ချက်သည့် Matrix Equation တွင် (X'X)^{-1} ကို ရှာဖွေ၍ မရတော့ဘဲ (Singular Matrix ဖြစ်သွားပြီး) OLS Coefficients (beta) များကို တွက်ချက်၍ လုံးဝ မရတော့ပါ (Undefined)။
​၂။ Imperfect / High Multicollinearity (အလွန်အမင်း ဆက်စပ်နေခြင်း)
​လက်တွေ့တွင် Perfect ဖြစ်သည်အထိ မဟုတ်သော်လည်း Variable များ အလွန်အမင်း Correlation မြင့်မားနေခြင်း (ဥပမာ- r > 0.8 သို့မဟုတ် 0.9) ကို ကြုံတွေ့ရလေ့ ရှိပါသည်။
​ဤသို့ဖြစ်ပါက OLS က Coefficients များကို တွက်ပေးနိုင်သော်လည်း Standard Errors တွေ အလွန်အမင်း ကြီးမားသွားသည့်အတွက် t-statistic တန်ဖိုးများ သေးငယ်သွားပြီး Variable များသည် Statistically Insignificant ဖြစ်ကုန်တတ်ပါသည်။
​💡 ဥပမာများ -
​၁။ Perfect Multicollinearity ဥပမာ
​အပူချိန်နှင့် သုံးစွဲမှုကို လေ့လာသည့် မော်ဒယ်တွင် အပူချိန်ကို Celsius (X_1) ရော Fahrenheit (X_2) ပါ မော်ဒယ်တစ်ခုတည်းတွင် ပြိုင်တူ ထည့်သွင်းလိုက်ခြင်း။ (F = 1.8C + 32 ဖြစ်သဖြင့် Perfect Linear Function ဖြစ်သွားပါသည်။)
​Dummy Variable Trap - Qualitative Data များတွင် Dummy Variables များကို Category အားလုံးအတွက် မော်ဒယ်ထဲ ထည့်သွင်းမိပါကလည်း Perfect Multicollinearity ဖြစ်ပေါ်ပါသည်။
​၂။ High Multicollinearity ဥပမာ
​အိမ်ထောင်စုတစ်စု၏ သုံးစွဲမှုကို ခန့်မှန်းရာတွင် ခင်ပွန်းဖြစ်သူ၏ ဝင်ငွေ (X_1) နှင့် ဇနီးဖြစ်သူ၏ ဝင်ငွေ (X_2) ကို မော်ဒယ်ထဲ ပြိုင်တူထည့်သွင်းခြင်း။ (နှစ်ဦးစလုံး၏ ဝင်ငွေသည် အလွန် ဆက်စပ်မှုမြင့်မားသဖြင့် မော်ဒယ်က မည်သူ့ဝင်ငွေကြောင့် သုံးစွဲမှု တိုးလာသည်ကို သီးခြား ခွဲခြားရန် ခက်ခဲသွားပါသည်။)
​💡 ဒီပြဿနာကို ဘယ်လို စစ်ဆေးပြီး ဖြေရှင်းမလဲ?
​စစ်ဆေးနည်း
Variance Inflation Factor (VIF) ကို အသုံးပြု၍ စစ်ဆေးနိုင်ပါသည်။ VIF တန်ဖိုး > 10 (သို့မဟုတ် အချို့နေရာများတွင် > 5) ဖြစ်ပါက Multicollinearity ပြဿနာ ရှိနေပါသည်။
​ဖြေရှင်းနည်း
​ထပ်နေသော Independent Variable နှစ်ခုအနက် တစ်ခုကို မော်ဒယ်ထဲမှ ဖြုတ်ထုတ်လိုက်ပါ (Drop Variable)။
​Variable နှစ်ခုကို ပေါင်းစပ်၍ Index သို့မဟုတ် Ratio အဖြစ် ပြောင်းလဲ အသုံးပြုပါ (ဥပမာ- Total Income)။
​Sample Size ကို ထပ်မံ တိုးမြှင့်ပါ။
​✨ နောက်လာမယ့်အပိုင်းမှာတော့ Hypothesis Testing တွေ လုပ်ဆောင်ဖို့အတွက် အရေးပါတဲ့ "Normality of Error Term" Assumption (7) အကြောင်းကို ဆက်လက် ရှင်းပြပေးသွားပါမယ်။
​📊 Statistical Analysis, Econometrics Data Modeling နဲ့ ပတ်သက်ပြီး ဆွေးနွေးလိုပါက သို့မဟုတ် မေးမြန်းလိုသည်များ ရှိပါက ဆက်သွယ်နိုင်ပါတယ်နော်။
​📞 Contact Information — Soe Khaing
​Phone: 09 760373714
​Viber: 09 760373714
​WhatsApp: +959 760373714
​WeChat: +959 760373714
​Email: [email protected]

05/08/2026

📌Regression Model တည်ဆောက်သူတိုင်း ကြောက်ကြတဲ့ "Heteroscedasticity" ပြဿနာနဲ့ Classical Assumption (5)
​"အချက်အလက်တွေ များလာလေ၊ ခန့်မှန်းရတာ ပိုပြီး လွဲချော်လာလေ ဖြစ်နေပါသလား?" 🤔
​OLS Regression မော်ဒယ်တစ်ခုမှာ ဒေတာတွေရဲ့ ပြန့်နှံ့မှု (Spread) မညီမျှတဲ့အခါ မော်ဒယ်ရဲ့ စိတ်ချရမှု ပျက်စီးသွားတတ်ပါတယ်။ ဒါကို ကာကွယ်ဖို့အတွက် Econometrics မှာ အဓိက စစ်ဆေးရတာကတော့ Assumption (5) – Homoscedasticity (Constant Variance of Error Term) ပဲဖြစ်ပါတယ်။
​ဒီနေ့မှာတော့ Homoscedasticity ဆိုတာ ဘာလဲ၊ သူ့ရဲ့ ဆန့်ကျင်ဘက် Heteroscedasticity ပြဿနာက မော်ဒယ်ပေါ် ဘယ်လို ဒုက္ခပေးသလဲဆိုတာကို အသေးစိတ် ဆွေးနွေးပေးသွားပါမယ်။
​🔍 Assumption (5) ဆိုတာ ဘာလဲ?
​သင်္ချာသီအိုရီအရ Var(epsilon_i) = sigma^2 လို့ ရေးသားပြီး "Error Term များ၏ ကွဲလွဲမှုတန်ဖိုး (Variance) သည် X တန်ဖိုး တိုးလာသည်ဖြစ်စေ၊ လျော့သွားသည်ဖြစ်စေ အစဉ်အမြဲ ညီမျှသော ကိန်းသေ (Constant) ဖြစ်ရမည်" လို့ အဓိပ္ပာယ်ရပါတယ်။
​💡 ဘာကို ဆိုလိုတာလဲ?
​၁။ Homoscedasticity (ညီမျှသော ပြန့်နှံ့မှု)
​X variable တန်ဖိုး ငယ်သည်ဖြစ်စေ၊ ကြီးသည်ဖြစ်စေ Regression Line ၏ အပေါ်အောက်တွင် ရှိသော Error တန်ဖိုးများ၏ ပြန့်နှံ့မှု (Spread / Dispersion) သည် ပုံမှန်အတိုင်း ညီညီညာညာ ရှိနေခြင်းကို ဆိုလိုတာပါ။
​၂။ Heteroscedasticity (မညီမျှသော ပြန့်နှံ့မှု)
​X တန်ဖိုး တိုးပွားလာသည်နှင့်အမျှ Error တန်ဖိုးများ၏ Spread သည် ပိုမို ကျယ်ပြန့်လာခြင်း (သို့မဟုတ် ပိုမို ကျဉ်းမြောင်းသွားခြင်း) ဖြစ်ပါတယ်။ Graph ဆွဲကြည့်ပါက "Fan Shape" သို့မဟုတ် "Funnel Shape" (ကတော့ပုံစံ) ကို တွေ့ရလေ့ရှိပါတယ်။
​💡 ဥပမာ -
​လူတစ်ယောက်၏ ဝင်ငွေ (X) နှင့် စားသောက်စရိတ် သုံးစွဲမှု (Y) မော်ဒယ် ကို ကြည့်ပါမည်။
​ဝင်ငွေနည်းသူများ (X နည်းချိန်) - ဝင်ငွေ နည်းသည့်အခါ စားသောက်စရိတ် သုံးစွဲနိုင်မှု ပမာဏမှာ ကန့်သတ်ချက် ရှိသဖြင့် Error တန်ဖိုးများ၏ ကွဲလွဲမှု (Spread) သည် အလွန် သေးငယ်ပါသည်။
​ဝင်ငွေများသူများ (X ကြီးချိန်) - ဝင်ငွေ အလွန်များသူများတွင်မူ အချို့က ရိုးရိုးရှင်းရှင်း စားသောက်ကြသလို၊ အချို့က အလွန် အသုံးအစွဲ ကြီးကြသည်။ ထို့ကြောင့် စားသောက်စရိတ် ပြန့်နှံ့မှု (Variance) သည် အလွန် ကြီးမားသွားပါသည်။
​ထိုကဲ့သို့ X ကြီးလာသည်နှင့်အမျှ Error Spread ကျယ်လာခြင်းသည် Heteroscedasticity ပြဿနာပင် ဖြစ်ပါသည်။
​⚠️ Heteroscedasticity ဖြစ်ရင် ဘာတွေ မှားယွင်းသွားမလဲ?
​OLS Estimators များ၏ Efficient ဖြစ်မှု ပျက်စီးခြင်း - OLS Beta Coefficients (beta) တွေဟာ Unbiased ဖြစ်နေသေးသော်လည်း Minimum Variance မရှိတော့သည့်အတွက် "BEST" Estimator (BLUE) မဖြစ်တော့ပါ။
​Hypothesis Testing များကို စိတ်မချရတော့ခြင်း - Standard Error တွေ မှားယွင်းသွားသည့်အတွက် t-statistic, F-statistic နှင့် p-value များ လွဲမှားသွားပြီး Confidence Intervals များကို စိတ်မချရတော့ပါ။
​💡 ဒီပြဿနာကို ဘယ်လို စစ်ဆေးပြီး ဖြေရှင်းမလဲ?
​စစ်ဆေးနည်း - Breusch-Pagan Test, White Test သို့မဟုတ် Residual vs Fitted Plot ဆွဲ၍ စစ်ဆေးနိုင်ပါတယ်။
​ဖြေရှင်းနည်း
​Heteroscedasticity တွေ့ပါက Robust Standard Errors (White’s Standard Errors) ကို အသုံးပြု၍ t-test / F-test များကို ပြင်ဆင်တွက်ချက်နိုင်သည်။
​Depedent Variable (Y) ကို Natural Log (ln Y) ပြောင်းလဲပေးခြင်း (Log Transformation) ဖြင့် Variance ကို ညီမျှသွားအောင် ထိန်းညှိနိုင်သည်။
​Weighted Least Squares (WLS) နည်းလမ်းကို ပြောင်းလဲ အသုံးပြုနိုင်သည်။
​✨ နောက်လာမယ့် Post မှာတော့ Independent Variables တွေ အချင်းချင်း ထပ်နေတဲ့အခါ ဖြစ်တတ်တဲ့ "No Perfect Multicollinearity" Assumption (6) အကြောင်းကို ဆက်လက် ရှင်းပြပေးသွားပါမယ်။
​📊 Statistical Analysis, Econometrics Data Modeling နဲ့ ပတ်သက်ပြီး ဆွေးနွေးလိုပါက သို့မဟုတ် မေးမြန်းလိုသည်များ ရှိပါက ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
​Phone: 09 760373714
​Viber: 09 760373714
​WhatsApp: +959 760373714
​WeChat: +959 760373714
​Email: [email protected]

05/08/2026

📌 Time Series Data တွေနဲ့ မော်ဒယ်ဆွဲရင် အထူးသတိထားရမယ့် Classical Assumption (4)
​"ဒီနေ့ မှားလိုက်တဲ့ ခန့်မှန်းချက်ဟာ မနက်ဖြန် ခန့်မှန်းချက်အပေါ် သွားပြီး လွှမ်းမိုးနေသလား?" 🤔
​Statistical Analysis နဲ့ Econometrics မှာ Stock Market၊ GDP၊ Inflation စတဲ့ အချိန်အလိုက် တိုင်းတာထားတဲ့ Time Series Data တွေကို သုံးပြီး OLS Regression ဆွဲတဲ့အခါ အဖြစ်ဆုံးနဲ့ အန္တရာယ်အများဆုံး ပြဿနာတစ်ခုရှိပါတယ်။
​ဒါကတော့ Serial Correlation (Autocorrelation) ဖြစ်ပြီး OLS ရဲ့ Assumption (4) – No Serial Correlation ကို စစ်ဆေးခြင်းဖြင့် ရှောင်လွှဲနိုင်ပါတယ်။
​🔍 Assumption (4) ဆိုတာ ဘာလဲ?
​သင်္ချာသီအိုရီအရ Cov(epsilon_i, epsilon_j) = 0 (i != j) လို့ ရေးသားပြီး "Error Term တစ်ခုနှင့်တစ်ခု (သို့မဟုတ် အချိန်ကာလတစ်ခုနှင့်တစ်ခု၏ Error များ) သည် အချင်းချင်း ဆက်စပ်မှု လုံးဝ မရှိရ" လို့ အဓိပ္ပာယ်ရပါတယ်။
​💡 လက်တွေ့မှာ ဘာကို ဆိုလိုတာလဲ?
​၁။ Independent Errors (Error များ သီးခြားဖြစ်မှု)
​OLS မော်ဒယ်အရ Observation တစ်ခုရဲ့ ခန့်မှန်းချက် မှားယွင်းမှု (Error တန်ဖိုး) ဟာ နောက် Observation တစ်ခုရဲ့ Error တန်ဖိုးပေါ် ဘာမှ သွားပြီး သက်ရောက်မှု မရှိရပါဘူး။
​၂။ Autocorrelation ပြဿနာ ဖြစ်ပေါ်ပုံ
​အကယ်၍ အတိတ်က Error တန်ဖိုးက ပစ္စုပ္ပန် သို့မဟုတ် အနာဂတ် Error တန်ဖိုးနဲ့ ဆက်စပ်နေရင် Autocorrelation (Serial Correlation) ဖြစ်ပေါ်ပါတယ်။
​Positive Autocorrelation - ယနေ့ Error က အပေါင်းတန်ဖိုးဖြစ်ရင် မနက်ဖြန် Error လည်း အပေါင်းတန်ဖိုး ဖြစ်နိုင်ခြေ များနေခြင်း။
​Negative Autocorrelation - ယနေ့ Error က အပေါင်းတန်ဖိုးဖြစ်ရင် မနက်ဖြန် Error က အနှုတ်တန်ဖိုး ဖြစ်သွားပြီး လှိုင်းပုံစံ တက်လိုက်ကျလိုက် ဖြစ်နေခြင်း။
​💡 ဥပမာ -
​နိုင်ငံတစ်ခုရဲ့ GDP နဲ့ ကုန်သွယ်ရေး မော်ဒယ် ကို နှစ်အလိုက် တိုင်းတာဆွဲတယ် ဆိုပါစို့။
​စီးပွားရေး ကပ်ဘေးတစ်ခုကြောင့် ၂၀၂၀ ခုနှစ်မှာ မော်ဒယ်က GDP ကို မှားယွင်းပြီး အများကြီး ပိုခန့်မှန်းမိသွားတယ် (Large Positive Error)။
​အကယ်၍ အဲဒီ ကပ်ဘေးရဲ့ သက်ရောက်မှုဟာ ၂၀၂၁ နဲ့ ၂၀၂၂ အထိ ဆက်ပါသွားပြီး အဲဒီနှစ်တွေမှာပါ မော်ဒယ်က အစဉ်လိုက် ဆက်တိုက် ပိုခန့်မှန်းနေမိရင် ဒါဟာ Serial Correlation ပြဿနာ ဖြစ်နေတာပါ။
​⚠️ ဒီ Assumption ချိုးဖောက်ခံရရင် ဘာဖြစ်မလဲ?
​OLS Coefficients (beta) တွေဟာ Unbiased ဖြစ်နေသေးသော်လည်း Standard Errors တွေဟာ ပုံမှန်ထက် သေးငယ်ပြနေပါလိမ့်မယ် (Underestimated)။
​Standard Error သေးနေတာကြောင့် t-statistic တန်ဖိုးတွေ အတုအယောင် ကြီးမားသွားပြီး အမှန်တကယ် Significance မရှိတဲ့ Variable တွေကို Significance ရှိပါတယ်ဆိုပြီး မှားယွင်း ဆုံးဖြတ်မိစေပါတယ် (Type I Error)။
​R^2 တန်ဖိုးတွေ အတုအယောင် မြင့်တက်နေတတ်ပါတယ်။
​💡 ဒီပြဿနာကို ဘယ်လို စစ်ဆေးပြီး ဖြေရှင်းမလဲ?
​စစ်ဆေးနည်း
Durbin-Watson Test (DW Test) သို့မဟုတ် Breusch-Godfrey Test တို့ကို အသုံးပြု၍ စစ်ဆေးနိုင်ပါတယ်။ (DW တန်ဖိုးသည် 2 နီးစပ်လျှင် Autocorrelation မရှိပါ)။
​ဖြေရှင်းနည်း
Autocorrelation တွေ့ရှိပါက Newey-West Standard Errors (HAC Standard Errors) ကို သုံးခြင်း သို့မဟုတ် Data ကို First Difference (Delta Y_t) ပြောင်းလဲ၍ OLS ပြန်ဆွဲခြင်းဖြင့် ဖြေရှင်းနိုင်ပါတယ်။
​✨ နောက်လာမယ့် Post 5 မှာတော့ Variance မညီမျှတဲ့ "Heteroscedasticity" ပြဿနာနဲ့ သက်ဆိုင်တဲ့ "Homoscedasticity" Assumption (5) အကြောင်းကို ဆက်လက် ရှင်းပြပေးသွားပါမယ်။
​📊 Statistical Analysis, Econometrics Data Modeling နဲ့ ပတ်သက်ပြီး ဆွေးနွေးလိုပါက သို့မဟုတ် မေးမြန်းလိုသည်များ ရှိပါက ဆက်သွယ်နိုင်ပါတယ်နော်။

​📞 Contact Information — Soe Khaing
​Phone: 09 760373714
​Viber: 09 760373714
​WhatsApp: +959 760373714
​WeChat: +959 760373714
​Email: [email protected]

05/08/2026

📌 OLS မော်ဒယ်မှာ ဘက်လိုက်မှု (Bias) တွေ မဖြစ်ပေါ်စေဖို့ မဖြစ်မနေ စစ်ဆေးရမယ့် Classical Assumption (3)
​"သင့် OLS Regression မော်ဒယ်ရဲ့ ရလဒ်တွေဟာ တကယ်ပဲ မှန်ကန်ရဲ့လား၊ ဒါမှမဟုတ် တစ်ဖက်စောင်းနင်း ဖြစ်နေသလား?" 🤔
​Econometrics နဲ့ Data Modeling တွက်ချက်ရာမှာ Assumption (3) ဟာ အလွန်အရေးကြီးပြီး ထိခိုက်ရလွယ်ဆုံး Assumption တစ်ခု ဖြစ်ပါတယ်။ ဒီ Assumption ချိုးဖောက်ခံရရင် OLS ရဲ့ ခန့်မှန်းချက်တွေဟာ ဘက်လိုက်မှုရှိသော တန်ဖိုးများ (Biased Estimators) ဖြစ်သွားပြီး မော်ဒယ်တစ်ပြင်လုံးကို အသုံးမဝင်တော့အောင် ပျက်စီးသွားစေနိုင်ပါတယ်။
​ဒီနေ့မှာတော့ Assumption (3) – Explanatory Variables are Uncorrelated with Error Term (No Endogeneity) အကြောင်းကို အသေးစိတ် ဆွေးနွေးပေးသွားပါမယ်။
​🔍 Assumption (3) ဆိုတာ ဘာလဲ?
​သင်္ချာသီအိုရီအရ Cov(X_i, epsilon_i) = 0 သို့မဟုတ် E(epsilon_i \ X_i) = 0 (Exogeneity) လို့ ရေးသားပြီး "Explanatory/Independent Variable (X) များသည် Error Term (epsilon) နှင့် လုံးဝ Correlation (ဆက်စပ်မှု) မရှိရ" လို့ အဓိပ္ပာယ်ရပါတယ်။
​💡 လက်တွေ့မှာ ဘာကြောင့် ဒီလောက် အရေးကြီးတာလဲ?
​၁။ Exogeneity (သီးခြားကိန်းရှင် ဖြစ်မှု)
​မော်ဒယ်ထဲမှာ ထည့်သွင်းထားတဲ့ Independent Variable (X) ဟာ မော်ဒယ်ထဲ မပါဘဲ ပြင်ပ Error Term (epsilon) ထဲမှာ ကျန်ခဲ့တဲ့ အချက်အလက်တွေနဲ့ လုံးဝ သီးခြားစီ (Independent) ဖြစ်နေရပါမယ်။
​၂။ Endogeneity Problem (အတွင်းအပြင် ဆက်စပ်မှု ပြဿနာ)
​အကယ်၍ X နဲ့ Error Term (epsilon) ကြားမှာ ဆက်စပ်မှု သို့မဟုတ် ရောယှက်မှု ရှိသွားပြီဆိုရင် Endogeneity ပြဿနာ စတင်ဖြစ်ပေါ်ပါတယ်။
​ဒီပြဿနာ ဖြစ်လာရင် OLS မော်ဒယ်က X ရဲ့ သက်ရောက်မှုအစစ်အမှန်နဲ့ Error ထဲက ပြင်ပအချက်အလက်ရဲ့ သက်ရောက်မှုကို ခွဲခြားမတွက်နိုင်တော့ဘဲ Beta Coefficients (beta) တွေကို ပိုတွက်မိတာ (Overestimation) သို့မဟုတ် လျှော့တွက်မိတာ (Underestimation) တွေ ဖြစ်လာပါတယ်။
​💡 မျက်စိထဲ မြင်သာစေမယ့် လက်တွေ့ ဥပမာ (Omitted Variable Bias):
​ကျောင်းသားတစ်ယောက်ရဲ့ စာမေးပွဲရမှတ်ကို စာလေ့လာသည့် အချိန် (X) နဲ့ ခန့်မှန်းတဲ့ မော်ဒယ်တစ်ခု ဆွဲတယ် ဆိုပါစို့။
​ဒီမော်ဒယ်မှာ ကျောင်းသားရဲ့ "မွေးရာပါ ဉာဏ်ရည် (IQ)" ကို မော်ဒယ်ထဲ မထည့်ထားတဲ့အတွက် IQ ဟာ Error Term (epsilon) ထဲ ရောက်သွားပါတယ်။
​လက်တွေ့မှာ IQ မြင့်တဲ့ ကျောင်းသားတွေဟာ စာကို ပိုမို ကြိုးစားလေ့လာလေ့ ရှိကြတာကြောင့် စာလေ့လာချိန် (X) နဲ့ IQ (Error Term) အချင်းချင်း Correlation ရှိနေပါတယ်။
​ဒါဆိုရင် OLS မော်ဒယ်က စာမေးပွဲ ရမှတ် တက်လာတာဟာ "စာလေ့လာချိန် (X)" ကြောင့်လား၊ ဒါမှမဟုတ် Error ထဲက "IQ" ကြောင့်လားဆိုတာ မခွဲခြားနိုင်တော့ပါဘူး။
​ရလဒ်အနေနဲ့ စာလေ့လာချိန် (X) ရဲ့ Coefficients တွေဟာ Biased (ဘက်လိုက်မှုရှိသော တန်ဖိုးများ) ဖြစ်သွားပါတော့တယ်။
​💡 Endogeneity ကို ဘယ်လို ဖြေရှင်းမလဲ?
​Omitted Variable Bias ကို ရှောင်ပါ
သီအိုရီအရ Y ပေါ် အမှန်တကယ် လွှမ်းမိုးမှုရှိတဲ့ အဓိက Control Variable များကို မော်ဒယ်ထဲတွင် ပြည့်စုံစွာ ထည့်သွင်းပါ။
​Instrumental Variables (IV) / 2SLS သုံးပါ
အကယ်၍ X နဲ့ Error ဆက်စပ်နေတာကို ရှောင်လွှဲလို့ မရပါက ၎င်း X နှင့် ဆက်စပ်ပြီး Error နှင့် မသက်ဆိုင်သော Instrumental Variable ကို ရှာဖွေ၍ Two-Stage Least Squares (2SLS) နည်းလမ်းဖြင့် အစားထိုး တွက်ချက်ရပါမည်။
​✨ နောက်လာမယ့် Post 4 မှာတော့ Time Series Data တွေမှာ အတွေ့များတဲ့ Error တစ်ခုနဲ့တစ်ခု ဆက်စပ်မှုကို တားမြစ်ထားတဲ့ "No Serial Correlation (Autocorrelation)" Assumption (4) အကြောင်းကို ဆက်လက် ရှင်းပြပေးသွားပါမယ်။
​📊 Statistical Analysis, Econometrics Data Modeling နဲ့ ပတ်သက်ပြီး ဆွေးနွေးလိုပါက သို့မဟုတ် မေးမြန်းလိုသည်များ ရှိပါက ဆက်သွယ်နိုင်ပါတယ်။
​📞 Contact Information — Soe Khaing
​Phone: 09 760373714
​Viber: 09 760373714
​WhatsApp: +959 760373714
​WeChat: +959 760373714
​Email: [email protected]

Address

Yezin
Naypyidaw

Website

Alerts

Be the first to know and let us send you an email when Statistical Analysis posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Shortcuts

Share

Category