Treść wpisu

Braki danych w ankiecie: co z nimi zrobić przed analizą

Sto pięć osób wypełniło kwestionariusz, ale w tabeli częstości przy jednym z pytań program pokazuje dziewięćdziesiąt osiem. Siedem osób zniknęło z tego jednego wiersza i nikt nie usuwał ich ręcznie. To normalny widok przy pracy z danymi z ankiety, a nie błąd importu, i pierwsze pytanie, jakie warto sobie zadać, brzmi: skąd się wzięły te braki, zanim zdecyduje się, co z nimi zrobić.

Skąd się biorą braki danych

Trzy najczęstsze źródła w kwestionariuszu wyglądają zupełnie inaczej i wymagają innego traktowania. Pierwsze to pytanie pominięte: osoba widziała pytanie i z jakiegoś powodu na nie nie odpowiedziała, celowo albo przez przeoczenie. Drugie to pytanie warunkowe, pokazywane tylko części osób w zależności od wcześniejszej odpowiedzi, na przykład pytanie o przebieg porodu zadane tylko kobietom, które rodziły; dla reszty próby to pole jest puste z definicji, nie dlatego, że ktoś czegoś nie chciał ujawnić. Trzecie to przerwane wypełnianie: osoba doszła do połowy formularza i zamknęła kartę, więc wszystkie pytania od tego miejsca w dół są puste. Rozróżnienie tych trzech sytuacji ma znaczenie, bo tylko pierwsza i trzecia to naprawdę „brakujące dane” w sensie statystycznym; druga to dane, których u tej osoby nigdy nie miało być.

Jak zakodować braki, żeby program je rozpoznał

Pusta komórka w arkuszu to dla programu statystycznego informacja „brak danych”, i to jedyny poprawny sposób zapisu braku. Osobny kod liczbowy dla braku, na przykład 99 albo -1, jest dopuszczalny, ale tylko wtedy, gdy zostanie zadeklarowany w programie jako wartość brakująca (w SPSS to pole „Missing” w widoku zmiennych), inaczej program policzy 99 jako realną odpowiedź i wynik średniej pęknie w miejscu, którego nikt się nie spodziewa. Więcej o samym układzie arkusza i kodowaniu braków na etapie przygotowania danych jest w osobnym wpisie o przygotowaniu arkusza do analizy.

Kiedy usunąć osobę, a kiedy tylko brakującą odpowiedź

To jest właściwe pytanie decyzyjne, i odpowiedź zależy od tego, ile zmiennych naraz bierze udział w danym obliczeniu. Przy usuwaniu listwise (całościowym) z analizy znika cała osoba, jeśli brakuje jej odpowiedzi na którąkolwiek z użytych w danym obliczeniu zmiennych; to podejście domyślne w większości analiz wielozmiennowych, na przykład w regresji. Przy usuwaniu pairwise (parami) osoba znika tylko z tych obliczeń, w których faktycznie brakuje jej potrzebnej wartości, a zostaje uwzględniona we wszystkich pozostałych; tak liczą się na przykład korelacje w SPSS domyślnie. Różnica ujawnia się przy większej liczbie zmiennych: przy listwise próba w tabeli korelacji może skurczyć się bardzo, jeśli każda zmienna ma choć trochę innych braków, przy pairwise różne komórki tej samej tabeli mogą opierać się na różnej liczbie osób, co też trzeba w pracy zaznaczyć. Dla pojedynczej skali sumarycznej (na przykład kwestionariusza z piętnastoma pozycjami) częstą praktyką jest wykluczenie osoby dopiero, gdy brakuje jej więcej niż ustalony odsetek pozycji tej skali, a przy mniejszej liczbie braków dopuszczenie średniej z pozostałych odpowiedzi tej osoby zamiast całej sumy.

Dlaczego nie wolno wpisywać zera ani średniej na oko

Wpisanie zera w miejsce braku jest błędem, który nie wygląda jak błąd, dopóki nikt nie sprawdzi rozkładu zmiennej. Zero na skali, gdzie realne odpowiedzi zaczynają się od jedynki, ciągnie średnią całej próby w dół i zaniża ją tym bardziej, im więcej takich zer wstawiono zamiast pustych pól. Wpisywanie średniej „na oko”, czyli szacowanej z pamięci albo z rzutu oka na resztę wierszy, jest kuszące, bo nie zostawia widocznych dziur w arkuszu, ale jest formą wymyślania danych: liczba w komórce wygląda jak odpowiedź osoby badanej, a nią nie jest. Jeśli imputacja (uzupełnianie braków wartościami szacowanymi na podstawie pozostałych danych) w ogóle wchodzi w grę, to jako metoda jawnie nazwana w metodologii i policzona odpowiednią procedurą (na przykład imputacją wielokrotną), nie jako ręczne dopisanie liczby, która wygląda wiarygodnie.

Co napisać w pracy o brakach danych

Wystarczą dwa zdania, które pokazują recenzentowi, że braki zostały zauważone, a nie przemilczane: ile osób i w których zmiennych brakowało odpowiedzi (liczba i odsetek), oraz jaką regułę zastosowano przy ich obsłudze, usunięcie osoby, usunięcie tylko brakującej wartości, czy dopuszczalny próg braków w skali sumarycznej. Jeśli braków jest niewiele (kilka procent), zwykłe listwise albo pairwise usunięcie zwykle wystarczy i nie wymaga dalszego uzasadnienia. Przy dużym odsetku braków w konkretnej zmiennej warto to napisać wprost i rozważyć, czy taka zmienna w ogóle nadaje się do analizy w obecnym kształcie.

Sprawdzenie, ile w bazie jest braków i jaka reguła ich obsługi pasuje do konkretnego badania, jest częścią standardowej wyceny analizy. Jeśli wolisz, żeby ktoś przejrzał to razem z resztą arkusza przed policzeniem wyników, zobacz zakres usług.