資料整理與檢誤經驗談—以SPSS程式進行不合理值檢誤



蘇婉雯
[原文刊載於SRDA學術調查研究資料庫通訊第2期,2002.8]


數據資料檔的建立,必須包括資料檢誤的工作才能算完成。嚴謹的資料檢誤,可以增進資訊的正確性以及資料的可用性。一般來說,資料發生錯誤的來源可能來自於訪員、督導、過錄者或鍵入資料者。不過,有些時候只是程式語法錯誤,而造成資料錯誤的假象。基本的資料檢誤工作包括:不合理值檢誤及邏輯檢誤兩種。本期以SPSS統計軟體介紹不合理值的檢誤工作。
大部份變項都有其合理的值域或分佈,而超出這些值域、或落在合理分佈以外的觀察值,往往起因於建檔過程中發生的錯誤。一般而言,界外值(Outlier)亦屬於不合理值。茲將整理工作內容說明於下:
一、類別變項(Categorical Variables)
類別變項的合理數值應該是幾個固定的類別代碼,包含研究者設計的「跳答碼」、「遺漏值代碼」等。如果類別變項的資料中有任何數值非屬這些固定代碼,即為不合理值。研究者應該查明這些不合理值的來源,並做適當的修改或處理。
1:【原始問卷】如下:

3.  請問您父親的籍貫是
  1.本省閩南人
  2.本省客家人
  3.大陸各省市
  4.原住民
  5.其他

1-1【次數分配結果】如下:

 

從上面的次數分配結果表中,不容易發現是否有不合理值存在,必須核對問卷或過錄編碼簿之內容才能得知。如果能在資料檔或程式中補上選項數值說明(value label),則能夠輕易的找出不合理值。
【自撰語法】- 選項數值說明
value label
  a3  1 "本省閩南人" 
        2 "本省客家人"
        3 "大陸各省市"
        4 "原住民"  
        5 "其他" 
        7 "不知道".
【點選視窗】- 選項數值說明
SPSS 10.0版的Data Editor視窗中,選擇「Variable View」頁面,點選該變項之values欄,出現下面視窗並依序鍵入選項數值說明。



1. 點選視窗之選項數值說明
 
建立選項數值說明後,再執行次數分配分析,可得結果如表1-2
1-2


顯然「0」、「6」對於這個變項而言都是不合理的界外值。而「7」是原計畫設計的「不知道」編碼,單從問卷中無法得知此編碼。其中,選「6」的人很少,只有兩名,可能是過錄員或鍵入資料者所發生的錯誤;而「0」,則可能為「跳答+遺漏值」混合使用的代碼,該研究沒有明確定義「0」並區分跳答及遺漏值的結果。一般而言,資料檔中亦需要建立跳答、遺漏值等特殊編碼的選項數值說明。
類別變項的不合理檢誤,最方便的方法就是執行「次數分配」。只要將該變項做「次數分配」,則資料的值域、分佈就會一覽無遺。如果需要進一步檢誤可疑資料的編號(ID),則需再配合其他程式。下面以SPSS語法說明如何挑出不合理值。
《步驟一》執行次數分配分析
【自撰語法】
可以利用「Frequencies Variable=varname1」語法執行。
【點選選單】
選取「AnalyzeDescriptive StatisticsFrequencies」再點選要分析的變項名稱
《步驟二》挑出可疑值的ID
【自撰語法】
可以透過下列語法,將可疑值及其ID列出。
Temporary.
Select If Any(Varname1, n1,n2,…).
List id Varname1.
【點選選單】
可以點選「DataSelect Cases」再到對話視窗中設定條件,即可使工作中的資料檔僅剩下篩選過、符合條件的觀察值。此時,點選「AnalyzeDescriptive StatisticsFrequencies」,再選定「ID」等編碼變項,即可得到可疑值的ID清單。
此外,有關年齡、年度、月份、小孩數…等變項,皆因題目與受訪者的不同,而有不同的合理值域。
二、連續性變項
檢查連續性變項的基本方法,可以由簡單的描述性統計值(平均值、標準差、極大值、極小值)、分佈圖等幾方面來看。
2-1:以下舉一般性的觀念為範例:
   平均值而言,某社區青年收縮壓平均值只有70 mmHg,並不符合一般生理分佈。
   標準差而言,某社區青年收縮壓標準差高達50 mmHg,亦不符合一般文獻的記載。
極大值極小值來看,學童身高落在80170公分以外者,亦不符合學童正常生理狀態。



2:本例以分佈圖來檢查界外值,資料為SPSS軟體所附的資料範例。



從圖2的分佈看出遠離集中分佈的觀察值(outlier)。上述為一個腫瘤直徑的散點分佈圖,我們可以看出有兩個點各為10公分、50公分左右,遠遠離開一般腫瘤大小的分佈範圍。其資料的正確性值得查驗。
如果這是一個罕見的病例、嶄新的發現,也必須建立在資料正確性無庸置疑的基礎上!所以,資料檢誤是量化研究重要的程序之一。
【自撰語法】
可以使用「EXAMINE  VARIABLES = varname/PLOT =BOXPLOT.」語法,即可同時得到詳盡的描述性統計值(包括:平均值、標準差、峰度、偏度、極大值、極小值、樣本數…等),以及箱型圖(box plot)。另外,可以依照專業知識設定連續變項合理的值域,做界外值檢誤,語法如下:
 

如此可將varname這個變項超過500或低於100者全列到output檔中,並將ID一併列出,方便查明。
【點選選單】
可以點選「AnalyzeDescriptive StatisticsExplore」,將要分析的變項選至「Dependent List」中,計算平均值、標準差、極大值、極小值、樣本數;再點選「GraphsBoxplot(設定Summaries of separate variables),可得到箱型圖。
在上述方法中所挑出的個案編號,應詳細檢查原始回卷的內容後,將錯誤的資料更正,整個不合理值檢查的工作才告完成。如果資料鍵入時發生錯誤,而錯誤的資訊仍在合理值範圍中,則相當不容易找出。這就是為什麼需要double key in後再核對兩資料檔是否一致。嚴謹的資料整理工作,可以早期發現資料的錯誤,並早期修改,以免影響分析結果。不合理值檢查工作更應該於邏輯檢查之前先執行。在下一期通訊中,我們將介紹如何以SPSS進行邏輯檢查的方法,敬請期待。



留言

這個網誌中的熱門文章

亞洲地區幸福感/福祉(well-being)相關重要調查資料