ปัญหาที่นักวิจัยมือใหม่มักเผชิญ: ความสับสนระหว่างประชากรและกลุ่มตัวอย่าง
ในโลกของการวิจัย ไม่ว่าจะเป็นงานวิชาการ วิทยานิพนธ์ หรือแม้แต่การสำรวจตลาด หนึ่งในความท้าทายแรกสุดที่นักวิจัยต้องเผชิญคือการทำความเข้าใจและแยกแยะระหว่าง “ประชากร” (Population) และ “กลุ่มตัวอย่าง” (Sample) อย่างถ่องแท้ ความสับสนในสองแนวคิดพื้นฐานนี้ไม่เพียงแต่จะนำไปสู่การออกแบบการวิจัยที่ผิดพลาด แต่ยังส่งผลกระทบต่อความน่าเชื่อถือและความถูกต้องของผลลัพธ์ที่ได้ การเลือกกลุ่มตัวอย่างที่ไม่เหมาะสมอาจทำให้ข้อสรุปที่ได้ไม่สามารถนำไปอ้างอิงกับประชากรทั้งหมดได้ หรืออาจนำไปสู่การตีความที่คลาดเคลื่อนอย่างร้ายแรง
บทความนี้ถูกออกแบบมาเพื่อเป็นคู่มือฉบับสมบูรณ์ ที่จะช่วยให้คุณเข้าใจแก่นแท้ของประชากรและกลุ่มตัวอย่าง โครงสร้างความสัมพันธ์ระหว่างกัน วิธีการนำไปใช้ในสถานการณ์จริง รวมถึงข้อผิดพลาดที่พบบ่อยและวิธีหลีกเลี่ยง เมื่อคุณอ่านจบ คุณจะสามารถกำหนดประชากรและเลือกกลุ่มตัวอย่างได้อย่างมั่นใจ ทำให้งานวิจัยของคุณมีรากฐานที่แข็งแกร่งและผลลัพธ์ที่น่าเชื่อถือ
1. ทำความเข้าใจ “ประชากร” ในงานวิจัย
ประชากร (Population) ในบริบทของการวิจัย ไม่ได้หมายถึงจำนวนประชากรของประเทศเสมอไป แต่หมายถึง “ชุดของหน่วยทั้งหมดที่ผู้วิจัยสนใจศึกษา” ซึ่งหน่วยเหล่านี้อาจเป็นคน สัตว์ สิ่งของ เหตุการณ์ องค์กร หรือข้อมูลใดๆ ก็ตามที่มีคุณสมบัติร่วมกันตามที่กำหนดไว้ในวัตถุประสงค์ของการวิจัย
ลักษณะสำคัญของประชากร:
- ความครบถ้วน: ประชากรคือกลุ่มทั้งหมดที่เราต้องการสรุปผลการวิจัยไปถึง
- คุณสมบัติเฉพาะ: สมาชิกในประชากรต้องมีคุณสมบัติบางอย่างที่ตรงตามเกณฑ์ที่ผู้วิจัยกำหนด
- ขอบเขตที่ชัดเจน: ผู้วิจัยต้องสามารถระบุขอบเขตของประชากรได้อย่างชัดเจน เช่น “นักศึกษาระดับปริญญาตรีในมหาวิทยาลัย A ประจำปีการศึกษา 2566” หรือ “ผู้ประกอบการ SMEs ในอุตสาหกรรมอาหารและเครื่องดื่มของประเทศไทย”
ตัวอย่างประชากร:
สมมติว่าคุณต้องการศึกษาพฤติกรรมการใช้จ่ายออนไลน์ของคนวัยทำงานในกรุงเทพมหานคร ประชากรของคุณคือ “คนวัยทำงานทุกคนที่อาศัยอยู่ในกรุงเทพมหานคร” ซึ่งอาจมีจำนวนหลายล้านคน การระบุประชากรที่ชัดเจนเป็นขั้นตอนแรกที่สำคัญอย่างยิ่ง เพราะเป็นตัวกำหนดขอบเขตของสิ่งที่คุณต้องการศึกษาและสรุปผล
2. “กลุ่มตัวอย่าง” คืออะไร และทำไมต้องมี?
เมื่อประชากรมีขนาดใหญ่เกินกว่าที่จะศึกษาได้ทั้งหมด ไม่ว่าจะเป็นด้วยข้อจำกัดด้านเวลา งบประมาณ หรือทรัพยากร ผู้วิจัยจำเป็นต้องเลือก “กลุ่มตัวอย่าง (Sample)” ซึ่งคือ “ส่วนหนึ่งของประชากรที่ถูกเลือกมาเพื่อเป็นตัวแทนในการศึกษา” การศึกษาจากกลุ่มตัวอย่างจะช่วยให้ผู้วิจัยสามารถเก็บข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น และนำผลลัพธ์ที่ได้ไปอนุมาน (Infer) หรือสรุปอ้างอิงกลับไปยังประชากรทั้งหมดได้
เหตุผลที่ต้องใช้กลุ่มตัวอย่าง:
- ประหยัดเวลาและค่าใช้จ่าย: การเก็บข้อมูลจากประชากรทั้งหมดอาจใช้เวลานานและมีค่าใช้จ่ายสูงมาก
- ความเป็นไปได้ในการปฏิบัติ: ในบางกรณี การเข้าถึงประชากรทั้งหมดอาจเป็นไปไม่ได้ในทางปฏิบัติ
- ความแม่นยำของข้อมูล: การเก็บข้อมูลจากกลุ่มตัวอย่างที่เหมาะสม อาจให้ข้อมูลที่มีคุณภาพสูงกว่าการพยายามเก็บจากประชากรทั้งหมดโดยมีข้อจำกัด
- การทำลายหน่วยศึกษา: ในบางการทดลอง การเก็บข้อมูลอาจทำให้หน่วยศึกษานั้นถูกทำลาย เช่น การทดสอบความแข็งแรงของวัสดุ
การทำความเข้าใจสถิติและการวิเคราะห์ข้อมูลอย่างลึกซึ้งเป็นสิ่งสำคัญในการเลือกกลุ่มตัวอย่างที่เหมาะสม คุณสามารถศึกษาเพิ่มเติมได้จาก คู่มือสถิติและการวิเคราะห์ข้อมูล ฉบับสมบูรณ์
ตัวอย่างกลุ่มตัวอย่าง:
จากตัวอย่างเดิมที่คุณต้องการศึกษาพฤติกรรมการใช้จ่ายออนไลน์ของคนวัยทำงานในกรุงเทพมหานคร แทนที่จะเก็บข้อมูลจากคนวัยทำงานทุกคน คุณอาจเลือกกลุ่มตัวอย่างจำนวน 500 คน ที่ถูกสุ่มเลือกมาอย่างเป็นระบบ เพื่อเป็นตัวแทนของคนวัยทำงานทั้งหมดในกรุงเทพฯ
3. โครงสร้างความสัมพันธ์ระหว่างประชากรและกลุ่มตัวอย่าง
ความสัมพันธ์ระหว่างประชากรและกลุ่มตัวอย่างเป็นหัวใจสำคัญของการวิจัยเชิงปริมาณ โดยมีหลักการพื้นฐานคือ กลุ่มตัวอย่างเป็นส่วนย่อยที่ถูกดึงมาจากประชากร และผลลัพธ์ที่ได้จากการศึกษาในกลุ่มตัวอย่างจะถูกนำไปสรุปอ้างอิงถึงประชากร
ลองนึกภาพว่าประชากรคืออ่างน้ำขนาดใหญ่ และกลุ่มตัวอย่างคือน้ำหนึ่งแก้วที่เราตักขึ้นมาเพื่อชิมรสชาติ หากน้ำหนึ่งแก้วนั้นเป็นตัวแทนที่ดีของน้ำในอ่างทั้งหมด เราก็จะสามารถสรุปได้ว่าน้ำในอ่างมีรสชาติอย่างไร
พารามิเตอร์ (Parameter) และค่าสถิติ (Statistic):
- พารามิเตอร์ (Parameter): คือค่าที่อธิบายลักษณะของ ประชากรทั้งหมด เช่น ค่าเฉลี่ยของประชากร (μ), ส่วนเบี่ยงเบนมาตรฐานของประชากร (σ) โดยทั่วไปเรามักจะไม่ทราบค่าพารามิเตอร์ที่แท้จริง
- ค่าสถิติ (Statistic): คือค่าที่อธิบายลักษณะของ กลุ่มตัวอย่าง เช่น ค่าเฉลี่ยของกลุ่มตัวอย่าง (x̄), ส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง (s) ค่าสถิติเหล่านี้ถูกนำมาใช้เพื่อประมาณค่าพารามิเตอร์ของประชากร
การอนุมานจากค่าสถิติของกลุ่มตัวอย่างไปสู่พารามิเตอร์ของประชากรนั้น ต้องอาศัยหลักการทางสถิติที่ถูกต้อง รวมถึงการพิจารณา นัยสำคัญทางสถิติที่ระดับ .05 คือ อะไร เพื่อให้ข้อสรุปมีความน่าเชื่อถือ
4. วิธีการสุ่มตัวอย่างยอดนิยมและข้อควรระวัง
การเลือกวิธีการสุ่มตัวอย่างที่เหมาะสมเป็นสิ่งสำคัญอย่างยิ่งในการทำให้กลุ่มตัวอย่างเป็นตัวแทนที่ดีของประชากร วิธีการสุ่มตัวอย่างแบ่งออกเป็น 2 ประเภทหลัก:
ก. การสุ่มตัวอย่างแบบอาศัยความน่าจะเป็น (Probability Sampling)
เป็นวิธีการที่ทุกหน่วยในประชากรมีโอกาสถูกเลือกเท่ากันและทราบค่าความน่าจะเป็น ทำให้สามารถนำผลไปอนุมานสู่ประชากรได้
- การสุ่มตัวอย่างแบบง่าย (Simple Random Sampling): ทุกหน่วยมีโอกาสถูกเลือกเท่ากัน เช่น การจับฉลาก การใช้ตารางเลขสุ่ม
- การสุ่มตัวอย่างแบบเป็นระบบ (Systematic Sampling): เลือกหน่วยแรกแบบสุ่ม แล้วเลือกหน่วยถัดไปตามช่วงห่างที่กำหนด เช่น เลือกทุกๆ หน่วยที่ k
- การสุ่มตัวอย่างแบบแบ่งชั้น (Stratified Random Sampling): แบ่งประชากรออกเป็นกลุ่มย่อยๆ (Stratum) ที่มีลักษณะคล้ายกันภายในกลุ่ม แต่แตกต่างกันระหว่างกลุ่ม แล้วสุ่มตัวอย่างจากแต่ละชั้น
- การสุ่มตัวอย่างแบบกลุ่ม (Cluster Sampling): แบ่งประชากรออกเป็นกลุ่มย่อยๆ (Cluster) ที่มีความหลากหลายคล้ายประชากรทั้งหมด แล้วสุ่มเลือกกลุ่มย่อยมาศึกษาทั้งหมด
ข. การสุ่มตัวอย่างแบบไม่อาศัยความน่าจะเป็น (Non-Probability Sampling)
เป็นวิธีการที่หน่วยในประชากรไม่มีโอกาสถูกเลือกเท่ากันหรือไม่ทราบค่าความน่าจะเป็น มักใช้ในการวิจัยเชิงคุณภาพ หรือเมื่อไม่สามารถเข้าถึงรายชื่อประชากรทั้งหมดได้
- การสุ่มตัวอย่างแบบสะดวก (Convenience Sampling): เลือกหน่วยที่เข้าถึงได้ง่ายที่สุด
- การสุ่มตัวอย่างแบบเจาะจง (Purposive Sampling): เลือกหน่วยตามดุลยพินิจของผู้วิจัย โดยพิจารณาจากคุณสมบัติที่ตรงตามวัตถุประสงค์
- การสุ่มตัวอย่างแบบโควตา (Quota Sampling): กำหนดสัดส่วนของลักษณะประชากรที่ต้องการ แล้วเลือกหน่วยจนครบตามโควตา
- การสุ่มตัวอย่างแบบลูกโซ่ (Snowball Sampling): เริ่มจากหน่วยตัวอย่างแรก แล้วให้หน่วยนั้นแนะนำหน่วยอื่นๆ ต่อไป
ข้อควรระวัง:
ไม่ว่าคุณจะเลือกวิธีใด สิ่งสำคัญคือการลด อคติจากการสุ่มตัวอย่าง (Sampling Bias) ซึ่งเกิดขึ้นเมื่อกลุ่มตัวอย่างไม่เป็นตัวแทนที่ดีของประชากร ตัวอย่างเช่น หากคุณต้องการศึกษาความคิดเห็นของคนไทยทั้งประเทศ แต่เลือกเก็บข้อมูลเฉพาะจากผู้ใช้โซเชียลมีเดียบางแพลตฟอร์ม กลุ่มตัวอย่างของคุณอาจมีอคติและไม่สามารถสะท้อนความคิดเห็นของคนไทยทั้งหมดได้
5. การคำนวณขนาดกลุ่มตัวอย่างที่เหมาะสม (แนวคิดเบื้องต้น)
การกำหนดขนาดกลุ่มตัวอย่าง (Sample Size) ที่เหมาะสมเป็นสิ่งสำคัญเพื่อให้ผลการวิจัยมีความแม่นยำและน่าเชื่อถือ ขนาดกลุ่มตัวอย่างที่เล็กเกินไปอาจทำให้ผลที่ได้ไม่สามารถสรุปอ้างอิงได้ ในขณะที่ขนาดที่ใหญ่เกินไปก็อาจสิ้นเปลืองทรัพยากรโดยไม่จำเป็น
ปัจจัยที่ส่งผลต่อขนาดกลุ่มตัวอย่าง:
- ระดับความเชื่อมั่น (Confidence Level): มักกำหนดที่ 90%, 95% หรือ 99% หมายถึงความมั่นใจว่าค่าพารามิเตอร์ของประชากรจะอยู่ในช่วงที่เราประมาณการไว้
- ความคลาดเคลื่อนที่ยอมรับได้ (Margin of Error / Precision): คือค่าที่บอกว่าค่าสถิติของกลุ่มตัวอย่างจะคลาดเคลื่อนจากค่าพารามิเตอร์ของประชากรได้มากน้อยเพียงใด
- ความแปรปรวนของประชากร (Population Variability): หากประชากรมีความหลากหลายสูง ก็อาจต้องใช้กลุ่มตัวอย่างขนาดใหญ่ขึ้น
- ประเภทของการวิจัยและวิธีการวิเคราะห์: การวิจัยบางประเภทหรือการทดสอบทางสถิติบางอย่าง เช่น f test คือ อะไร อาจมีข้อกำหนดเกี่ยวกับขนาดกลุ่มตัวอย่างขั้นต่ำ
มีสูตรและโปรแกรมสำเร็จรูปมากมายที่ช่วยในการคำนวณขนาดกลุ่มตัวอย่าง เช่น สูตรของ Taro Yamane, Cochran หรือ G*Power อย่างไรก็ตาม สิ่งสำคัญคือการเข้าใจหลักการเบื้องหลังและการเลือกใช้สูตรที่เหมาะสมกับประเภทข้อมูลและวัตถุประสงค์การวิจัยของคุณ
6. ข้อผิดพลาดที่พบบ่อยในการเลือกประชากรและกลุ่มตัวอย่าง
แม้จะมีความรู้พื้นฐานแล้ว นักวิจัยก็ยังอาจพบกับข้อผิดพลาดได้ ข้อผิดพลาดเหล่านี้สามารถบั่นทอนความน่าเชื่อถือของงานวิจัยได้อย่างมาก
ตัวอย่างข้อผิดพลาดและวิธีแก้ไข:
- การกำหนดประชากรไม่ชัดเจน:
- ข้อผิดพลาด: “ผู้ใช้งานอินเทอร์เน็ต” เป็นประชากรที่กว้างเกินไป
- วิธีแก้ไข: กำหนดให้ชัดเจน เช่น “ผู้ใช้งานอินเทอร์เน็ตที่อาศัยอยู่ในเขตเมือง อายุ 18-35 ปี และใช้บริการ E-commerce อย่างน้อยเดือนละครั้ง”
- กลุ่มตัวอย่างไม่เป็นตัวแทน (Non-Representative Sample):
- ข้อผิดพลาด: ต้องการศึกษาความคิดเห็นของพนักงานบริษัท แต่เก็บข้อมูลเฉพาะจากแผนกเดียว
- วิธีแก้ไข: ใช้การสุ่มตัวอย่างแบบแบ่งชั้น (Stratified Sampling) เพื่อให้แน่ใจว่าทุกแผนกมีโอกาสถูกเลือกอย่างเหมาะสม
- การเลือกวิธีการสุ่มตัวอย่างผิดประเภท:
- ข้อผิดพลาด: ต้องการสรุปผลเชิงปริมาณกับประชากร แต่ใช้การสุ่มตัวอย่างแบบสะดวก
- วิธีแก้ไข: ควรใช้การสุ่มตัวอย่างแบบอาศัยความน่าจะเป็น เช่น Simple Random Sampling หรือ Stratified Random Sampling
- ขนาดกลุ่มตัวอย่างไม่เหมาะสม:
- ข้อผิดพลาด: ใช้กลุ่มตัวอย่างน้อยเกินไปสำหรับการวิจัยที่มีความแปรปรวนสูง หรือใช้มากเกินไปโดยไม่จำเป็น
- วิธีแก้ไข: คำนวณขนาดกลุ่มตัวอย่างด้วยสูตรที่เหมาะสม โดยพิจารณาจากระดับความเชื่อมั่นและความคลาดเคลื่อนที่ยอมรับได้
- อคติจากผู้ตอบ (Response Bias):
- ข้อผิดพลาด: ผู้ตอบให้ข้อมูลที่ไม่ตรงกับความเป็นจริง เช่น ตอบตามสิ่งที่คิดว่าผู้วิจัยอยากได้ยิน
- วิธีแก้ไข: ออกแบบคำถามที่เป็นกลาง สร้างความมั่นใจเรื่องความเป็นส่วนตัว และอาจพิจารณาการใช้มาตรวัดความน่าเชื่อถือของข้อมูล เช่น irr คือ อะไร เพื่อประเมินความสอดคล้องของข้อมูล
7. บทบาทของที่ปรึกษาและจริยธรรมในการทำงานวิจัย
การทำความเข้าใจประชากรและกลุ่มตัวอย่างเป็นทักษะที่ต้องอาศัยการฝึกฝนและประสบการณ์ หากคุณรู้สึกไม่มั่นใจหรือต้องการคำแนะนำเพิ่มเติม การปรึกษาผู้เชี่ยวชาญหรือที่ปรึกษาด้านสถิติและการวิจัยเป็นทางเลือกที่ดี พวกเขาสามารถช่วยคุณในการออกแบบการวิจัย การเลือกวิธีการสุ่มตัวอย่าง และการคำนวณขนาดกลุ่มตัวอย่างได้อย่างถูกต้อง
แนวทางปฏิบัติทางจริยธรรม:
- เรียนรู้ด้วยตนเอง: เป้าหมายหลักคือการที่คุณเข้าใจและสามารถทำได้ด้วยตนเอง การปรึกษาคือการเรียนรู้ ไม่ใช่การจ้างให้ทำแทน
- ความโปร่งใส: หากคุณได้รับความช่วยเหลือจากที่ปรึกษา ควรระบุในส่วนกิตติกรรมประกาศของงานวิจัยอย่างชัดเจน
- ความซื่อสัตย์ทางวิชาการ: ห้ามคัดลอก ดัดแปลง หรือสร้างข้อมูลเท็จ การเลือกกลุ่มตัวอย่างและการเก็บข้อมูลต้องเป็นไปตามหลักการทางวิทยาศาสตร์และจริยธรรมอย่างเคร่งครัด
- การเลือกผู้ช่วย: หากจำเป็นต้องมีผู้ช่วยในการเก็บข้อมูล ควรเลือกผู้ที่มีความรู้ความเข้าใจและยึดมั่นในหลักจริยธรรม
EducaNow สนับสนุนให้ทุกคนสร้างสรรค์งานวิจัยที่มีคุณภาพและยึดมั่นในจริยธรรมทางวิชาการอย่างสูงสุด
สรุป: ก้าวแรกสู่การวิจัยที่แข็งแกร่ง
การทำความเข้าใจความแตกต่างและโครงสร้างความสัมพันธ์ระหว่าง “ประชากร” และ “กลุ่มตัวอย่าง” เป็นรากฐานสำคัญของงานวิจัยทุกประเภท การกำหนดประชากรที่ชัดเจน การเลือกวิธีการสุ่มตัวอย่างที่เหมาะสม และการคำนวณขนาดกลุ่มตัวอย่างที่ถูกต้อง จะช่วยให้คุณมั่นใจได้ว่าผลลัพธ์ที่ได้มีความน่าเชื่อถือและสามารถนำไปสรุปอ้างอิงได้อย่างมีเหตุผล
อย่ามองข้ามความสำคัญของขั้นตอนนี้ เพราะมันคือก้าวแรกที่จะนำไปสู่การค้นพบองค์ความรู้ใหม่ๆ ที่มีคุณค่าและสร้างผลกระทบเชิงบวกต่อสังคม การลงทุนเวลาและความพยายามในการทำความเข้าใจแนวคิดเหล่านี้จะส่งผลดีต่องานวิจัยของคุณในระยะยาวอย่างแน่นอน
คำถามที่พบบ่อย
ถ้าประชากรมีขนาดเล็กมาก เช่น 50 คน ควรใช้กลุ่มตัวอย่างหรือไม่?
หากประชากรมีขนาดเล็กและสามารถเข้าถึงได้ทั้งหมด ควรศึกษาประชากรทั้งหมด (Census) แทนการใช้กลุ่มตัวอย่าง เพื่อให้ได้ข้อมูลที่สมบูรณ์และแม่นยำที่สุด โดยไม่มีความคลาดเคลื่อนจากการสุ่มตัวอย่าง
จะรู้ได้อย่างไรว่ากลุ่มตัวอย่างที่เลือกมาเป็นตัวแทนที่ดีของประชากร?
กลุ่มตัวอย่างที่ดีควรมีลักษณะสำคัญที่คล้ายคลึงกับประชากรมากที่สุด การใช้เทคนิคการสุ่มตัวอย่างแบบอาศัยความน่าจะเป็น (Probability Sampling) เช่น Simple Random Sampling หรือ Stratified Random Sampling จะช่วยเพิ่มโอกาสที่กลุ่มตัวอย่างจะเป็นตัวแทนที่ดี นอกจากนี้ การเปรียบเทียบลักษณะทางประชากรศาสตร์ของกลุ่มตัวอย่างกับประชากร (ถ้ามีข้อมูล) ก็สามารถช่วยประเมินได้
ควรใช้สูตรคำนวณขนาดกลุ่มตัวอย่างแบบไหนดี?
การเลือกสูตรขึ้นอยู่กับประเภทของการวิจัย (เชิงปริมาณ/คุณภาพ), ประเภทของข้อมูล (สัดส่วน/ค่าเฉลี่ย), และความรู้เบื้องต้นเกี่ยวกับประชากร (เช่น ทราบความแปรปรวนหรือไม่) สูตรที่นิยมใช้ได้แก่ Taro Yamane, Cochran หรือ G*Power สำหรับการวิเคราะห์เชิงอำนาจทางสถิติ ควรปรึกษาผู้เชี่ยวชาญหรือใช้โปรแกรมคำนวณที่เหมาะสมกับบริบทงานวิจัยของคุณ
ถ้าไม่สามารถเข้าถึงรายชื่อประชากรทั้งหมดได้ ควรทำอย่างไร?
หากไม่สามารถเข้าถึงรายชื่อประชากรทั้งหมดได้ อาจต้องพิจารณาใช้การสุ่มตัวอย่างแบบไม่อาศัยความน่าจะเป็น (Non-Probability Sampling) เช่น Convenience Sampling หรือ Purposive Sampling แต่ต้องระมัดระวังในการสรุปผลว่าไม่สามารถอนุมานไปยังประชากรทั้งหมดได้ หรืออาจต้องใช้เทคนิคการสุ่มตัวอย่างแบบกลุ่ม (Cluster Sampling) หากสามารถระบุกลุ่มย่อยที่ครอบคลุมประชากรได้
การเลือกกลุ่มตัวอย่างผิดพลาดจะส่งผลกระทบต่องานวิจัยอย่างไร?
การเลือกกลุ่มตัวอย่างผิดพลาดจะนำไปสู่ ‘อคติจากการสุ่มตัวอย่าง’ (Sampling Bias) ทำให้กลุ่มตัวอย่างไม่เป็นตัวแทนที่ดีของประชากร ผลการวิจัยที่ได้จะไม่สามารถสรุปอ้างอิงไปยังประชากรเป้าหมายได้อย่างถูกต้อง ทำให้ข้อสรุปคลาดเคลื่อน ขาดความน่าเชื่อถือ และอาจนำไปสู่การตัดสินใจที่ผิดพลาดได้