الگوی استاندارد داده‌ها
یک فایل اکسل که همه ماشین‌حساب‌های سایت آن را می‌خوانند: کاربرگ "داده‌ها" – یک سطر برای هر آزمودنی، یک ستون برای هر متغیر، یک سطر عنوان – و کاربرگ "راهنمای کدها" که هر متغیر را مستند می‌کند (توصیف، نوع، کدگذاری). اینجا الگوی خالی و فایل نمونه دانلود می‌شود، قواعد آموخته می‌شود – و فایل موجود بررسی می‌شود: هر ماشین‌حساب چه چیزی را در آن تشخیص خواهد داد، چه چیزی کم است و چه چیزی بهتر است اصلاح شود، همراه با یک کاربرگ راهنمای کدهای آماده برای تکمیل جهت دانلود. و آنچه بررسی‌کننده به جای شما انجام نمی‌دهد: پاک‌سازی داده‌ها – نسخه اصلی قفل‌شده، دفتر ثبت تغییرات و سه نوع خطا.
بررسی فایل
فایل تمرین: در هر ماشین‌حساب چه چیزی انتخاب شود، و منبع داده‌ها چیست
این یک فایل واحد است که می‌توان آن را در بیشتر ماشین‌حساب‌های سایت بارگذاری کرد و با آن جابه‌جایی بین تحلیل‌ها روی داده‌های یکسان را تمرین کرد. هر ماشین‌حساب فایل نمونه خاص خود را هم دارد، و مثال‌های راهنماها به آن فایل مربوط‌اند و نه به فایل تمرین.
متغیرها: gender (1 مرد، 2 زن)، education (پنج سطح)، age، age_group (سه گروه)، 25 گویه در مقیاس 1-6 در پنج مقیاس (A توافق‌پذیری، C وظیفه‌شناسی، E برون‌گرایی، N روان‌رنجورخویی، O گشودگی)، و پنج نمره مقیاس: agree، consc، extra، neuro، open – میانگین پنج گویه پس از نمره‌گذاری معکوس. گویه‌های معکوس: A1، C4، C5، E1، E2، O2، O5؛ مقادیر آن‌ها در فایل معکوس نشده‌اند.
| ماشین‌حساب | چه چیزی انتخاب شود |
|---|---|
| t نمونه‌های مستقل، مان-ویتنی | متغیر گروه‌بندی: gender. وابسته‌ها: agree، consc، extra، neuro، open |
| ANOVA | متغیر گروه‌بندی: education. وابسته‌ها: پنج نمره مقیاس |
| کروسکال-والیس | متغیر گروه‌بندی: age_group. وابسته‌ها: پنج نمره مقیاس |
| خی‌دو | سطرها: gender. ستون‌ها: education |
| همبستگی‌ها، نمودار پراکنش | age و پنج نمره مقیاس |
| فراوانی‌ها، پردازش پیمایش، تفکیک‌ها | gender, education, age_group |
| نرمال بودن، خوشه‌ها، ROC | پنج نمره مقیاس (در ROC متغیر وضعیت gender است) |
| رگرسیون | وابسته: neuro. پیش‌بین‌ها: age، agree، consc، extra، open |
| رگرسیون لجستیک | وابسته: gender. پیش‌بین‌ها: age و پنج نمره مقیاس |
| پایایی | N1-N5. در مقیاسی که گویه معکوس دارد، مثلاً A1-A5، برای A1 گزینه "گویه معکوس" علامت زده می‌شود |
| تحلیل عاملی اکتشافی | فقط 25 گویه. age، age_group و پنج نمره مقیاس از انتخاب خارج می‌شوند – نمره مقیاس ترکیبی از گویه‌های خودش است و ماتریس منفرد (singular) خواهد شد |
| تحلیل عاملی تأییدی، SEM، هم‌ارزی اندازه‌گیری، میانجی‌گری بین عامل‌ها | ماشین‌حساب پنج عامل را تشخیص می‌دهد: A، C، E، N، O. در SEM و میانجی‌گری مسیرهایی بین عامل‌ها افزوده می‌شود؛ در هم‌ارزی اندازه‌گیری، گروه gender است |
| t تک‌نمونه‌ای | agree در برابر مقدار 3.5 (وسط مقیاس) |
| t نمونه‌های زوجی، ویلکاکسون، اندازه‌گیری‌های مکرر | مقایسه نمره‌های مقیاس یک پاسخ‌گوی واحد، مثلاً agree در برابر consc |
| تعدیل‌گری و میانجی‌گری | Y: neuro. X: extra. W: age |
| ANCOVA | وابسته: neuro. عامل: gender. متغیر همپراش: age |
| تحلیل مسیر | دو معادله روی سه نمره مقیاس |
این فایل برای فراتحلیل، تحلیل بقا، پایایی بین کدگذاران و طرح‌های دارای عامل‌های تصادفی مناسب نیست – این‌ها ساختار داده دیگری می‌طلبند، و هر کدام فایل نمونه‌ای در صفحه خود دارد.
منبع داده‌ها: مجموعه bfi از بسته psychTools برای R (Revelle)، از پروژه SAPA؛ گویه‌ها از International Personality Item Pool. این بسته با مجوز GPL (نسخه 2 و بالاتر) توزیع می‌شود. متغیرهای زمینه‌ای به عبری برچسب‌گذاری شدند، و age_group و پنج نمره مقیاس برای تمرین محاسبه شدند.
ستون‌ها مستقیماً از کاربرگ چسبانده می‌شوند (همراه با سطر عنوان) – در اکسل انتخاب کنید، کپی کنید و اینجا بچسبانید (در چسباندن راهنمای کدها وجود ندارد – نوع متغیرها خودکار تعیین می‌شود):
چرا یک الگوی واحد
همه ماشین‌حساب‌های سایت یک فایل را می‌خوانند: کاربرگ "داده‌ها" در قالب گسترده (wide format) – هر سطر یک آزمودنی است (یا هر واحد دیگری که اندازه‌گیری شده: کلاس، سازمان، شهر)، هر ستون یک متغیر است، و بدون تمایز بین پیش‌بین و پیامد: هر دو ستون‌اند (Field, 2024, Section 4.6.1) – و در کنار آن کاربرگ "راهنمای کدها" که دفترچه کدگذاری (codebook) فایل است: برای هر متغیر نام، توصیف، کدگذاری پاسخ‌ها و سطح اندازه‌گیری (Pallant, 2020, Chapter 2). ایده Pallant اینجا هم درست است: دفترچه کدگذاری یک بار نوشته می‌شود، در کنار داده‌ها نگه داشته می‌شود، و دیگر پس از شش ماه به فایل برنمی‌گردید بی‌آنکه بدانید "3" در ستون "تحصیلات" چه معنایی دارد. اینکه "3" چه باشد چگونه تصمیم گرفته می‌شود – کدگذاری سؤال‌های بسته و باز، کد برای مقادیر گمشده، نمره‌گذاری معکوس گویه‌ها، گروه‌بندی و کدگذاری مجازی – در صفحه کدگذاری پاسخ‌ها و ساخت متغیرها. تنها تفاوت این است که در سایت، دفترچه کدگذاری کاربرگی درون فایل است – و بنابراین ماشین‌حساب‌ها خودشان آن را می‌خوانند: می‌دانند جنسیت طبقه‌ای و سن پیوسته است، به جای 1 و 2 "مرد" و "زن" را نمایش می‌دهند، و وقتی متغیر طبقه‌ای برای همبستگی انتخاب شود هشدار می‌دهند.
همان فایل سپس بدون کار اضافه به SPSS منتقل می‌شود: فایل سینتکسی که هر ماشین‌حساب دانلود می‌کند داده‌ها را بارگذاری می‌کند و از روی راهنمای کدها پنجره متغیرها (Variable View) را تعریف می‌کند – برچسب‌ها، برچسب‌های مقادیر و سطوح اندازه‌گیری. و در جهت عکس، صفحه از SPSS به اکسل از فایل .sav همین الگو را، همراه با راهنمای کدها، از روی دفترچه متغیرهای فایل تولید می‌کند.
کاربرگ "داده‌ها" – قواعد
1. سطر = آزمودنی، ستون = متغیر. هر آنچه از یک آزمودنی اندازه‌گیری شده در همان سطر قرار می‌گیرد – از جمله اندازه‌گیری‌های مکرر (پیش و پس = دو ستون). آنچه گروه‌های آزمودنی‌ها را از هم جدا می‌کند (آزمایش/کنترل، جنسیت) یک ستون واحد با یک کد برای هر گروه است – "متغیر کدگذاری‌شده" یا "متغیر گروه‌بندی" (Field, 2024, بخش‌های 4.6.1 و 4.6.5؛ نکته 4.1). قالب بلند (یک سطر برای هر مشاهده، نه برای هر آزمودنی) پشتیبانی نمی‌شود.
2. سطر اول سطر عنوان است: نامی کوتاه و یکتا برای هر متغیر. در سایت هر نامی کار می‌کند – به فارسی هم، با فاصله هم؛ در SPSS نام باید با حرف شروع شود، بدون فاصله و نویسه‌های خاص باشد، و کلمه رزروشده نباشد (Pallant, 2020, Chapter 2)، و بنابراین فایل سینتکس چنین نام‌هایی را تبدیل می‌کند و این را اعلام می‌کند. نام تکراری برای دو ستون خطاست: راهنمای کدها و سینتکس نمی‌دانند منظور کدام است. Cunningham و Muir (2023) توصیه می‌کنند نام متغیر شماره سؤال در پرسشنامه را دربر داشته باشد (س7_درآمد) – به این ترتیب نمی‌توان "سال‌های تحصیل" را به اشتباه "سال‌های کار" برچسب زد، و در کدگذاری مجدد خود پرسشنامه در کنار راهنمای کدها باز می‌شود. بررسی‌کننده نام‌های خالی، تکراری و نام‌هایی را که در SPSS تغییر خواهند کرد گزارش می‌دهد.
3. ستون اول – شناسه. یک شماره ردیف یکتا برای هر آزمودنی، که روی پرسشنامه هم نوشته می‌شود؛ به این ترتیب، وقتی مقدار نادرستی یافت شود، می‌توان به منبع برگشت و اصلاح کرد (Pallant, 2020, Chapter 2). ماشین‌حساب‌ها این ستون را از روی نامش تشخیص می‌دهند (מזהה، id، מספר נבדק، מס' נבדק، no، num، serial، index) یا از روی "شناسه" در ستون نوع در راهنمای کدها – و آن را از هر تحلیلی کنار می‌گذارند. شناسه نقش دومی هم دارد که بخش پاک‌سازی داده‌ها توضیح می‌دهد: اگر آزمودنی 17 ناگهان در سطر 40 ظاهر شود، کسی یک ستون را بدون بقیه مرتب کرده است.
4. پاسخ‌ها به صورت عدد. هر پاسخی که ذاتاً عدد نیست (جنسیت، گروه، وضعیت تأهل) یک کد عددی می‌گیرد – 1، 2، 3 به ترتیب گزینه‌ها در پرسشنامه، یا هر عدد دیگری: کدها دلخواه‌اند، چون خود عدد تحلیل نمی‌شود (Field, 2024, Section 4.6.5; Pallant, 2020, Chapter 2). معنای کد در راهنمای کدها نوشته می‌شود. ستونی که بیشتر مقادیرش متن است ("مرد"، "زن") در ماشین‌حساب‌ها به عنوان طبقه‌ای کار می‌کند – اما یک مقدار متنی منفرد درون ستونی عددی ("نمی‌دانم" در ستون سن) گمشده محسوب می‌شود، و بنابراین بهتر است همه چیز کدگذاری شود. اعداد: نقطه اعشار (3.5)، بدون جداکننده هزارگان و بدون واحد ("25" و نه "25 سال").
5. مقدار گمشده = خانه خالی. نه 99، نه 999، نه خط تیره، نه فاصله (ببینید مقادیر گمشده).
6. بدون فرمول، بدون خانه‌های ادغام‌شده، بدون سطرهای جمع و بدون یادداشت در ناحیه داده‌ها (Pallant, 2020, Chapter 4). نمره مقیاس در صفحه آلفای کرونباخ و نمره مقیاس محاسبه می‌شود – این صفحه فایل را همراه با ستون نمره برمی‌گرداند – و نه با فرمول اکسلی که در تبدیل از بین می‌رود.
7. گویه با جمله‌بندی معکوس همان‌طور که پاسخ داده شده وارد می‌شود؛ معکوس‌سازی در صفحه آلفا انجام می‌شود یا در راهنمای کدها با واژه "معکوس" علامت‌گذاری می‌شود.
کاربرگ "راهنمای کدها" – پنج ستون
جدول 1. ستون‌های کاربرگ "راهنمای کدها" – چه نوشته می‌شود و ماشین‌حساب‌ها با آن چه می‌کنند
| ستون | چه نوشته می‌شود | نمونه | ماشین‌حساب‌ها با آن چه می‌کنند |
|---|---|---|---|
| نام متغیر | دقیقاً مانند عنوان ستون در کاربرگ "داده‌ها" (حرف به حرف) | تحصیلات | سطر را به ستون وصل می‌کند. نامی که مطابقت نداشته باشد – سطر نادیده گرفته می‌شود |
| توصیف | متغیر چه چیزی را می‌سنجد؛ برای گویه پرسشنامه – متن سؤال | بالاترین سطح تحصیلات | کنار نام متغیر در فهرست انتخاب و در خروجی نمایش داده می‌شود؛ "گویه" در توصیف، گویه مقیاس را علامت می‌زند |
| نوع متغیر | یکی از چهار مورد: شناسه / طبقه‌ای / ترتیبی / پیوسته (یا به انگلیسی: id / nominal / ordinal / scale) | ترتیبی | تعیین می‌کند هر ماشین‌حساب با متغیر چگونه رفتار کند – ببینید نوع متغیر |
| مقادیر و کدگذاری | فهرست کدها و برچسب‌ها در قالب "کد = برچسب" که با نقطه‌ویرگول از هم جدا می‌شوند؛ برای متغیر پیوسته – دامنه (18-75) یا توصیف | 1 = دبیرستان; 2 = پس از دبیرستان; 3 = دانشگاهی | برچسب‌ها به جای کدها در جدول‌ها و نمودارها؛ برچسب‌های مقادیر در سینتکس؛ بررسی‌کننده مقادیر خارج از فهرست یا دامنه را پیدا می‌کند |
| یادداشت‌ها | هر آنچه دانستنش مهم است: "گویه" (گویه مقیاس)، "معکوس" (گویه با جمله‌بندی معکوس)، کدهای مقدار گمشده در منبع، منبع سؤال | گویه؛ معکوس | صفحه آلفا گویه‌ها و گویه‌های معکوس را خودکار علامت‌گذاری می‌کند |
یادداشت. عنوان‌های انگلیسی هم پذیرفته می‌شوند (variable, description, type, values, notes)، و همچنین ساختار قدیمی "متغیر | نوع | برچسب | مقادیر | یادداشت‌ها". نام کاربرگ: "מקרא" (یا legend / labels). راهنمای کدها اختیاری است – بدون آن ماشین‌حساب‌ها نوع را خودکار تعیین می‌کنند؛ اما فایلی که راهنمای کدها دارد با پیام "راهنمای کدها شناسایی شد ✓" بارگذاری می‌شود و برچسب‌ها در همه خروجی‌ها نمایش داده می‌شوند.
نوع متغیر – چگونه تعیین می‌شود
سطح اندازه‌گیری است که تعیین می‌کند محاسبه چه چیزی مجاز است: برای طبقه‌ای – فراوانی‌ها و خی‌دو؛ برای ترتیبی – میانه و اسپیرمن؛ برای پیوسته – میانگین، پیرسون، t و رگرسیون (Pallant, 2020, فصل 2؛ و توضیح بیشتر در صفحه متغیرها، مقیاس‌های اندازه‌گیری و طرح‌های پژوهشی). در SPSS این ستون Measure در پنجره متغیرهاست (Nominal / Ordinal / Scale; Pallant, 2020, Chapter 4)؛ در سایت – ستون "نوع متغیر" در راهنمای کدها. و وقتی راهنمای کدها وجود ندارد، ماشین‌حساب‌ها بر اساس مقادیر حدس می‌زنند:
جدول 2. تعیین نوع متغیر – بر اساس راهنمای کدها، و بدون آن
| وضعیت | نوع تعیین‌شده | یادداشت |
|---|---|---|
| نام ستون، نام یک شناسه است، یا "شناسه" در راهنمای کدها | شناسه | خارج از هر تحلیل |
| بیشتر مقادیر متن است (بیش از 10% از خانه‌های پر) | طبقه‌ای | حتی اگر راهنمای کدها چیز دیگری بگوید – متن عدد نیست |
| در راهنمای کدها: پیوسته / کمّی / scale | پیوسته | میانگین، پیرسون، t، رگرسیون |
| در راهنمای کدها: طبقه‌ای / اسمی / nominal | طبقه‌ای | فراوانی‌ها، خی‌دو؛ متغیر گروه‌بندی |
| در راهنمای کدها: ترتیبی / ordinal | ترتیبی | اسپیرمن، میانه؛ گویه لیکرت منفرد |
| بدون راهنمای کدها: تا 7 مقدار متمایز | ترتیبی | و همچنین نامزد متغیر گروه‌بندی (2-7 گروه) |
| بدون راهنمای کدها: بیش از 7 مقدار متمایز | پیوسته | سن، نمره مقیاس، ساعت‌ها |
یادداشت. قرارداد سایت: گویه رتبه‌بندی منفرد (1-5) متغیر ترتیبی است؛ نمره مقیاس چندگویه‌ای – متغیر فاصله‌ای (پیوسته). حدس خودکار ممکن است اشتباه کند – نمره مقیاسی که فقط 5 مقدار متمایز دارد ترتیبی محسوب می‌شود، و متغیر طبقه‌ای با 8 طبقه پیوسته؛ راهنمای کدها هر دو حالت را حل می‌کند.
مقادیر گمشده
ساده‌ترین راه ثبت مقدار گمشده خالی گذاشتن خانه است – و به این ترتیب SPSS بدون هیچ تعریفی آن را گمشده تشخیص می‌دهد (Field, 2024, Section 4.6.8; Pallant, 2020, Chapter 4). این قاعده سایت هم هست: خانه خالی = گمشده. کد عددی برای گمشده (99، 999، 666 – مقداری "ناممکن" که از حداکثر شاخص بزرگ‌تر است) در SPSS رایج است، اما فقط اگر آنجا به عنوان user-missing تعریف شود؛ بدون این تعریف نرم‌افزار آن را مقداری کاملاً عادی حساب می‌کند – "با پیامدهای فاجعه‌بار" به تعبیر Pallant (2020, فصل 4). در سایت چنین تعریفی وجود ندارد، و بنابراین 99 در ستون سن میانگین را بالا می‌برد. بررسی‌کننده درباره چنین مقادیری (99، 999، 9999، -9، -99، -999) وقتی از سایر مقادیر دور باشند هشدار می‌دهد، و فایلی که از SPSS آمده از صفحه از SPSS به اکسل عبور می‌کند – آنجا گزینه "مقادیر گمشده تعریف‌شده به خانه خالی تبدیل شوند" این مسئله را حل می‌کند. پاسخی مانند "نمی‌دانم" یا "سایر، توضیح دهید" که گمشده نیست بلکه پاسخ است – به صورت کد باقی می‌ماند، اما پیش از میانگین یا همبستگی کنار گذاشته می‌شود (ببینید صفحه مقادیر گمشده – هر روش برخورد چه می‌کند).
Cunningham و Muir (2023) دو تمایز دیگر اضافه می‌کنند که بهتر است در راهنمای کدها باشند. گمشده مشروع – سؤال شامل آزمودنی نمی‌شود (پرش عمدی پس از سؤال فیلتر) – در برابر گمشده نامشروع – آزمودنی امتناع کرده، نمی‌دانسته، یا سؤال به اشتباه جا افتاده است (صفحه‌ای کامل که رد شده، سطری که در پاک‌سازی حذف شده؛ Osborne, 2013, به نقل از Cunningham & Muir). و "نمی‌دانم" جدا از امتناع ثبت می‌شود: گاهی "نمی‌دانم" ("چند هفته است باردارید؟") خودش یک یافته است، و تصمیم به ادغام آن با سایر گمشده‌ها با پژوهش است – اما فقط در صورتی می‌توان تصمیم گرفت که کدها از پیش جدا شده باشند. و هشدار دیگری از همان منبع: کد گمشده‌ای مانند 999999 در ستون درآمد را کسی که فایل را نمی‌شناسد درآمد 999,999 می‌خواند – دقیقاً دلیل قاعده "خانه خالی = گمشده"، و مستندسازی هر کد دیگر در ستون یادداشت‌ها در راهنمای کدها.
فایل‌ها و رمزگذاری
قالب‌ها: xlsx (توصیه‌شده)، xlsm، xls قدیمی، csv و txt جداشده با ویرگول، نقطه‌ویرگول یا تب. در csv کاربرگ وجود ندارد و بنابراین راهنمای کدها هم نیست. فایل csv به صورت UTF-8 خوانده می‌شود، و اگر چنین نباشد – به صورت windows-1255 (رمزگذاری قدیمی عبری). فایل‌های xls قدیمی که از SPSS صادر شده‌اند اغلب با عبری "شکسته" (نویسه‌های درهم لاتین) می‌رسند – ماشین‌حساب‌ها این را تشخیص می‌دهند و عنوان‌ها، مقادیر و راهنمای کدها را خودکار اصلاح می‌کنند، همراه با پیام. کاربرگ‌ها: داده‌ها از کاربرگ "נתונים" (یا data) خوانده می‌شوند؛ اگر چنین کاربرگی نباشد – از نخستین کاربرگی که "מקרא" یا "הוראות" نیست. چسباندن: در هر ماشین‌حساب می‌توان ستون‌ها را مستقیماً از اکسل چسباند (همراه با سطر عنوان) – بدون راهنمای کدها.
هر ماشین‌حساب به چه چیزی نیاز دارد
جدول 3. متغیرهایی که هر ماشین‌حساب در فایل جست‌وجو می‌کند
| ماشین‌حساب | متغیرهای لازم |
|---|---|
| فراوانی‌ها و آمار توصیفی | هر متغیر – جدول فراوانی برای طبقه‌ای و ترتیبی، میانگین و هیستوگرام برای پیوسته |
| همبستگی‌های پیرسون و اسپیرمن، نمودار پراکنش | دست‌کم دو متغیر عددی (پیوسته؛ ترتیبی – اسپیرمن) |
| آزمون خی‌دو استقلال | دو متغیر طبقه‌ای (کد یا متن)، یا جدول فراوانی آماده |
| آزمون t نمونه‌های مستقل | متغیر گروه‌بندی (ستونی با 2-7 کد) + متغیر کمّی |
| آزمون t نمونه‌های زوجی | دو ستون کمّی از آزمودنی‌های یکسان (پیش / پس) |
| تحلیل واریانس یک‌راهه | متغیر گروه‌بندی با 3-7 کد + متغیر کمّی |
| رگرسیون خطی | متغیر وابسته کمّی + یک یا چند پیش‌بین عددی (طبقه‌ای – با کدگذاری مجازی) |
| رگرسیون لجستیک | متغیر وابسته دووجهی (دو کد) + پیش‌بین‌ها |
| تحلیل مسیر و میانجی‌گری | دست‌کم سه متغیر عددی (X، M، Y) |
| آلفای کرونباخ و نمره مقیاس | گویه‌های مقیاس (ستون‌های عددی با دامنه یکسان)؛ "گویه" و "معکوس" در راهنمای کدها آن‌ها را خودکار علامت‌گذاری می‌کنند |
| پایایی بین کدگذاران | یک ستون برای هر کدگذار، یک سطر برای هر واحد کدگذاری‌شده (ساختار خاص خود – در صفحه آن ببینید) |
بررسی‌کننده چه چیزی را بررسی می‌کند
Pallant (2020, فصل 5) غربالگری پیش از هر تحلیل را توصیف می‌کند: برای هر متغیر، از جمله هر گویه در مقیاس، بررسی می‌شود که مقداری خارج از دامنه ممکن وجود نداشته باشد (جنسیتی که 1-2 کدگذاری شده و نمی‌تواند 3 باشد؛ تحصیلات 1-6 و نه 22) – معمولاً از طریق جدول فراوانی با حداقل و حداکثر – آزمودنی پیدا می‌شود، بر اساس منبع اصلاح می‌شود، و آنچه تغییر کرده در دفتر ثبت می‌شود. "35 به جای 3" می‌تواند یک همبستگی کامل را مخدوش کند. بررسی‌کننده این صفحه آن بخش از غربالگری را که خودکار ممکن است، روی کل فایل انجام می‌دهد، و اصلاح را به شما وامی‌گذارد:
سطر عنوان – نام‌های خالی، نام‌های تکراری، نام‌هایی که در SPSS تغییر خواهند کرد. شناسه – آیا وجود دارد، و آیا یکتاست. راهنمای کدها – آیا شناسایی شد؛ متغیرهایی که در راهنمای کدها هستند و در داده‌ها نیستند (نام نامطابق) و برعکس؛ واژه‌های ناشناخته در ستون نوع. هر ستون – نوعی که تعیین خواهد شد و منشأ آن؛ مقادیر غیرعددی در ستون عددی (همراه با شماره سطرها)؛ مقادیر خارج از کدها یا دامنه راهنمای کدها؛ مقادیری که شبیه کد گمشده‌اند؛ ستون ثابت؛ ستون متنی؛ ستونی که بیشترش گمشده است. جدول 2 – کدام ماشین‌حساب‌ها متغیرهای لازم خود را در فایل پیدا خواهند کرد. و در پایان – خود فایل با یک کاربرگ راهنمای کدهای آماده برای تکمیل: نام و نوع از پیش نوشته شده‌اند، و کدهای یافت‌شده منتظر برچسب‌اند. آنچه بررسی‌کننده نمی‌تواند انجام دهد – مقایسه با منبع، تطبیق متقاطع متغیرها، تصمیم درباره آنچه باید اصلاح شود – در بخش بعد.
پاک‌سازی داده‌ها – آنچه بررسی‌کننده به جای شما انجام نمی‌دهد
Cunningham و Muir (2023)، در فصل "پاک‌سازی داده‌ها" در راهنمای کمبریج برای روش‌های پژوهش، با نکته‌ای درباره خود این واژه آغاز می‌کنند: داده‌ها دست‌های کثیفی نیستند که با یک "سابیدن" خوب تمیز شوند. فایل از مقادیر تشکیل شده است – برخی درست، برخی نادرست؛ برخی از نادرست‌ها را می‌توان شناسایی کرد و برخی را نه، و مقدار درست ممکن است نادرست به نظر برسد. و بنابراین پاک‌سازی "شتاب‌زده و ناآگاهانه" خطاهای تازه وارد می‌کند: مقدار درست با نادرست جایگزین می‌شود، نادرست با نادرستی دیگر، یا – بدتر از همه – سطرها حذف، تکرار یا درهم می‌شوند. پاک‌سازی در نگاه آنان مرحله‌ای پیش از تحلیل نیست بلکه رویکردی در سراسر پژوهش است: پیش‌بینی خطاها در طراحی، پیشگیری از آن‌ها در گردآوری، شناسایی و رفع آن‌ها در ورود و مدیریت داده‌ها، و گزارش آن‌ها در نگارش. بررسی‌کننده این صفحه بخشی از شناسایی را پوشش می‌دهد؛ آنچه برای شما می‌ماند – چهار قاعده و سه نوع خطا.
نسخه اصلی قفل است، کار روی نسخه کپی. قاعده نخست: هرگز فایل داده اصلی تغییر داده نمی‌شود – حتی مقداری که مطمئنیم نادرست است. با پایان ورود داده‌ها فایل "قفل" می‌شود، و هر تغییری در نسخه کاری انجام می‌شود؛ و در نسخه کاری هم فقط وقتی تغییر داده می‌شود که شاهد واقعی برای مقدار درست وجود داشته باشد – آزمودنی پیدا شده، پرسشنامه اصلی بررسی شده. مثال آنان: وزن 310 کیلوگرم، و پژوهشگر "مطمئن" است که به جای 130، 310 تایپ شده است؛ تا وقتی این گمان در برابر منبع تأیید نشود، مقدار تغییر نمی‌کند. دفتر ثبت تغییرات: چه کسی، چه زمانی، چه چیزی و چرا تغییر داد – در دفترچه، در یک ستون متنی در فایل، یا، از همه بهتر، به صورت توضیح در فایل فرمان‌های نرم‌افزار (در سایت: فایل سینتکسی که هر ماشین‌حساب دانلود می‌کند آنچه را اجرا شده مستند می‌کند؛ تغییرات داده‌ها در کاربرگ "دستورالعمل" الگو یا در ستون یادداشت‌های راهنمای کدها ثبت می‌شود – توصیه سایت). دو نسخه از متغیر اصلاح‌شده – "سن" و "سن_اصلاح‌شده" – تا تحلیل با و بدون اصلاح اجرا شود و دیده شود که آیا چیزی را تغییر داده است. و چشم دوم بر هر تغییر، ترجیحاً از پژوهشگری باتجربه‌تر (Cunningham & Muir, 2023).
صفحه‌گسترده – خطری که سایت با آن زندگی می‌کند. Cunningham و Muir توصیه می‌کنند داده‌ها در نرم‌افزار پایگاه داده وارد و مدیریت شوند و نه در صفحه‌گسترده، به یک دلیل: در اکسل ممکن است به اشتباه یک ستون بدون بقیه ستون‌ها مرتب شود – و از همان لحظه همه مقادیر به آزمودنی‌های نادرست تعلق دارند – یا یک سطر حذف یا تکرار شود، یا یک ستون کامل حذف شود. الگوی سایت با این حال فایل اکسل است، چون این همان چیزی است که بیشتر پژوهشگران دارند؛ محافظت‌ها قرارداد سایت‌اند، نه نقل‌قول: ستون شناسه (قاعده 3 – عددی که سر جایش نیست مرتب‌سازی جزئی را لو می‌دهد)، مرتب‌سازی فقط کل جدول (انتخاب همه ستون‌ها پیش از "مرتب‌سازی")، نسخه اصلی قفل‌شده، و یک نسخه کاری برای هر تحلیل – و بررسی‌کننده شناسه غیریکتا را که نشانه سطر تکراری است گزارش می‌دهد.
سه نوع خطا. (1) مقادیر گمشده – آسان‌ترین برای شناسایی (مقادیر گمشده). (2) مقادیر ناممکن – سن 200، جنسیت 3. آنچه آن‌ها را تعریف می‌کند دانش درباره موضوع است که پیش از گردآوری تعیین می‌شود: مرزهای سخت – مقداری که ممکن نیست و بررسی فوری می‌طلبد – و مرزهای نرم – مقداری ممکن اما نادر (ازدواج دهم) که ورودش مجاز است و برای بررسی علامت‌گذاری می‌شود. در پرسشنامه آنلاین هشدار بهتر از مسدود کردن است: اگر فرم فقط شیردهی تا 24 ماه را مجاز بداند، مادری که چهار سال شیر داده 24 یا "نمی‌دانم" تایپ می‌کند – دو خطا که هیچ‌کس کشف نخواهد کرد، چون هیچ مقدار ناممکنی ایجاد نشده است. برخی از مقادیر ناممکن فقط در تطبیق متقاطع دیده می‌شوند: 12 فرزند – ممکن؛ 12 فرزند در سن 15 – نه. مقدار ناممکنی که نتوان آن را در برابر منبع تأیید کرد باقی نمی‌ماند – به گمشده تبدیل می‌شود و طوری مستند می‌شود که از سایر گمشده‌ها متمایز شود. (3) مقادیر نادرست ممکن – 10 سال تحصیل که 1 تایپ شده، پاسخ سؤال 29 که در سؤال 30 ثبت شده – دشوارترین‌ها، چون هیچ چیز در فایل آن‌ها را لو نمی‌دهد؛ فقط در برابر منبع، در تطبیق متقاطع با متغیرهای دیگر، و در نمونه‌ای تصادفی از پرسشنامه‌ها که با فایل مقایسه می‌شوند شناسایی می‌شوند (Cunningham & Muir, 2023). در تایپ دستی از روی کاغذ، آنان ورود دوگانه را مطرح می‌کنند – دو تایپ‌کننده، مقایسه تفاوت‌ها، و دست‌کم 25% پرسشنامه‌ها اگر نه همه – و نیز دیدگاه مخالف را، که بررسی‌های ساده دامنه بیشتر خطاهایی را که نتیجه را تغییر می‌دهند می‌گیرند.
غربالگری توصیفی که آنان توصیف می‌کنند همان چیزی است که ماشین‌حساب فراوانی‌ها و آمار توصیفی برای هر متغیر می‌دهد: میانگین، میانه، حداقل، حداکثر، تعداد گمشده‌ها، هیستوگرام برای پیوسته – و ماتریس همبستگی و جدول‌های متقاطع برای دیدن رابطه‌ای در جهت غیرمنتظره. بررسی‌کننده این صفحه گام پیش از آن را انجام می‌دهد: دامنه‌ها در برابر راهنمای کدها، متن در ستون عددی، کدهای گمشده، ستون‌های ثابت. آنچه انجام نمی‌دهد: تطبیق متقاطع (سن × فرزندان)، مقایسه با منبع، و تصمیم درباره اینکه آیا یک متغیر اصلاً سودمند است – نزد Cunningham و Muir متغیری که 90% مقادیرش یکسان است، یا بیشترش گمشده است، از تحلیل خارج می‌شود. و گزارش، در بخش روش: چند گمشده (بر حسب نوع – امتناع، "نمی‌دانم"، نامربوط)، چند ناممکن، چند مشکوک، با آن‌ها چه شد، و نتایج با و بدون مقادیر اصلاح‌شده. دفترچه کدگذاری نزد آنان تعریف‌های مقادیر ناممکن و الگوهای پرش را هم دربر دارد – در سایت، ستون "یادداشت‌ها" در راهنمای کدها.
از الگو به SPSS و بازگشت
فایل اکسل در SPSS از طریق File › Open › Data باز می‌شود (نوع فایل Excel، با علامت زدن "خواندن نام متغیرها از سطر اول")، و سپس در پنجره متغیرها برچسب، برچسب‌های مقادیر و سطح اندازه‌گیری هر متغیر به صورت دستی تعریف می‌شود (Pallant, 2020, Chapter 4; Field, 2024, Section 4.6.9). سینتکسی که بررسی‌کننده (و هر ماشین‌حساب سایت) دانلود می‌کند بخش دستی را حذف می‌کند: یک سطر CD پوشه را تعیین می‌کند (فقط همان به‌روزرسانی می‌شود)، فرمان GET DATA کاربرگ "داده‌ها" را بارگذاری می‌کند، و فرمان‌های دفترچه متغیرها – VARIABLE LABELS، VALUE LABELS، VARIABLE LEVEL – از روی راهنمای کدها نوشته می‌شوند:
CD 'C:\Rdata'.
GET DATA
/TYPE=XLSX
/FILE='DATA_template_example_heb.xlsx'
/SHEET=name 'נתונים'
/CELLRANGE=FULL
/READNAMES=ON.
DATASET NAME data WINDOW=FRONT.
VARIABLE LABELS
מין 'מין הנבדק'
גיל 'גיל בשנים'
השכלה 'רמת ההשכלה הגבוהה ביותר'.
VALUE LABELS
/מין
1 'גבר'
2 'אישה'
/השכלה
1 'תיכונית'
2 'על-תיכונית'
3 'אקדמית – תואר ראשון'
4 'אקדמית – תואר מתקדם'.
VARIABLE LEVEL מין (NOMINAL).
VARIABLE LEVEL השכלה (ORDINAL).
VARIABLE LEVEL גיל (SCALE).
SAVE OUTFILE='DATA_template_example_heb.sav'.
در جهت عکس – کسی که فایل .sav دریافت کرده و می‌خواهد آن را در سایت اجرا کند (یا فقط در اکسل باز کند) – از SPSS به اکسل این الگو را از آن تولید می‌کند: کاربرگ "داده‌ها" و کاربرگ "راهنمای کدها" که از دفترچه متغیرهای فایل ساخته می‌شود (برچسب، سطح اندازه‌گیری، برچسب‌های مقادیر، مقادیر گمشده تعریف‌شده).
اشتباهات رایج
دو سطر عنوان (نام متغیر و زیر آن متن سؤال). ماشین‌حساب‌ها یک سطر را می‌خوانند؛ متن سؤال به ستون "توصیف" در راهنمای کدها می‌رود.
سطر جمع یا میانگین در پایین کاربرگ. این سطر به عنوان یک آزمودنی اضافی خوانده می‌شود.
متن به جای کد ("مرد"/"زن" به جای 1/2). به عنوان طبقه‌ای کار می‌کند، اما به محض وجود غلط املایی در یکی از خانه‌ها می‌شکند – "زان" به طبقه سوم تبدیل می‌شود. کد + راهنمای کدها مقاوم‌تر است.
99 به عنوان گمشده بی‌آنکه به کسی گفته شود. ببینید مقادیر گمشده.
ویرگول اعشاری (3,5) یا واحد در خانه (25 سال، 80%). خانه به صورت متن، یعنی گمشده، خوانده می‌شود.
نام متغیر متفاوت در راهنمای کدها ("سن " با فاصله، "Gender" در برابر "gender"). سطر راهنمای کدها نادیده گرفته می‌شود – بررسی‌کننده این را گزارش می‌دهد.
نمره مقیاسی که با فرمول اکسل محاسبه شده – به صورت فرمول ذخیره می‌شود، و در کپی یا تبدیل از بین می‌رود. صفحه آلفا مقادیر را محاسبه و برمی‌گرداند.
قالب بلند (یک سطر برای هر مشاهده، ستون "زمان" و ستون "مقدار"). اندازه‌گیری‌های مکرر در ستون‌ها قرار می‌گیرند (Field, 2024, Section 4.6.1).
مرتب‌سازی یک ستون بدون بقیه. از همان لحظه مقادیر به آزمودنی‌های نادرست تعلق دارند؛ شناسه لو می‌دهد، نسخه پشتیبان نجات می‌دهد (Cunningham & Muir, 2023).
"اصلاح" مقدار بدون شاهد از منبع، در فایل اصلی. 310 کیلوگرم باقی می‌ماند تا پرسشنامه بررسی شود؛ تغییر – در نسخه کپی، در دفتر ثبت (Cunningham & Muir, 2023).
"نمی‌دانم" و امتناع با یک کد. این تمایز برای همیشه از دست می‌رود؛ دو کد، هر دو در راهنمای کدها (Cunningham & Muir, 2023).
منابع
Cunningham, S. A., & Muir, J. A. (2023). Data cleaning. In A. L. Nichols & J. E. Edlund (Eds.), The Cambridge handbook of research methods and statistics for the social and behavioral sciences: Vol. 1. Building a program of research (pp. 443-467). Cambridge University Press. https://doi.org/10.1017/9781009010054.022
Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE.
Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Routledge.
طبق قاعده سایت، در فهرست منابع فقط منابعی می‌آیند که اصل آن‌ها خوانده شده است. Field (2024) و Pallant (2020) در نسخه دیجیتال با متن روان – ارجاع بر اساس بخش و فصل؛ Cunningham و Muir (2023) – بر اساس کل فصل؛ Osborne (2013) – به نقل از آنان. قواعد خود الگو (نام کاربرگ‌ها، واژه‌های شناخته‌شده در ستون نوع، قاعده 7 مقدار) قراردادهای سایت‌اند و از منبعی گرفته نشده‌اند.