مقاله
پاکسازی و آمادهسازی دادههای پرسشنامه در R: کدگذاری، دادههای گمشده و کنترل کیفیت

پیش از اجرای هر آزمون آماری، دادههای پرسشنامه باید به شکلی قابل اعتماد وارد، کدگذاری، پاکسازی و مستندسازی شوند. بسیاری از خطاهایی که در فصل چهارم پایاننامه به صورت نتیجه نادرست یا خروجی عجیب ظاهر میشوند، در واقع از همین مرحله اولیه میآیند: ستونهایی با نوع داده اشتباه، کدهای گمشده تعریفنشده، گویههای معکوس اصلاحنشده یا پاسخهای خارج از دامنه.
این راهنما عمداً بر آمادهسازی و کنترل کیفیت دادههای پرسشنامه در R تمرکز دارد. برای مسیر کامل تحلیل، از ورود داده تا آزمونهای آماری و گزارشگیری، راهنمای اصلی تحلیل دادههای پرسشنامه با R را ببینید.
۱. فایل خام را قبل از تحلیل دستنخورده نگه دارید
بهتر است فایل خام پرسشنامه را به عنوان نسخه مرجع نگه دارید و همه اصلاحات را روی یک کپی یا در اسکریپت R انجام دهید. این کار باعث میشود هر تغییر قابل بازتولید باشد و اگر در کدگذاری اشتباهی رخ داد بتوانید به داده اولیه برگردید.
library(readr)
raw_data <- read_csv("questionnaire_raw.csv")
dat <- raw_data
پس از ورود داده، ابتدا ساختار را بررسی کنید:
str(dat)
head(dat)
summary(dat)
در همین مرحله باید مشخص شود هر ستون عددی، متنی، ترتیبی یا طبقهای است و آیا نوع دادهای که R تشخیص داده با ماهیت متغیر سازگار است یا نه.
۲. نام متغیرها و کدگذاری پاسخها را استاندارد کنید
نامهای مبهم مانند Q1 تا Q50 در تحلیلهای طولانی احتمال خطا را بالا میبرند. بهتر است یک فرهنگ داده داشته باشید که در آن نام ستون، متن سؤال، دامنه پاسخ و نقش متغیر ثبت شده باشد.
names(dat) <- make.names(names(dat), unique = TRUE)
برای متغیرهای طبقهای نیز برچسبها را صریح تعریف کنید. برای مثال:
dat$gender <- factor(
dat$gender,
levels = c(1, 2),
labels = c("female", "male")
)
اگر کدهای ۹۹، ۹۹۹ یا مقادیر مشابه به معنی «بدون پاسخ» هستند، آنها را پیش از تحلیل به عنوان داده گمشده تعریف کنید؛ در غیر این صورت ممکن است R آنها را به عنوان عدد واقعی وارد محاسبات کند.
۳. دامنه مجاز هر سؤال را کنترل کنید
یکی از سادهترین کنترلهای کیفیت، بررسی مقادیر خارج از دامنه است. اگر سؤال لیکرت بین ۱ تا ۵ تعریف شده، مقادیر صفر، ۷ یا ۵۵ باید بررسی شوند.
table(dat$q1, useNA = "ifany")
dat[dat$q1 < 1 | dat$q1 > 5, ]
این کنترل را میتوان برای مجموعهای از گویهها نیز اجرا کرد. نکته مهم این است که مقدار غیرعادی را بدون مراجعه به منبع داده حذف یا اصلاح نکنید؛ ابتدا مشخص کنید خطای ورود داده است یا یک کد از پیش تعریفشده.
۴. گویههای معکوس را پیش از ساخت نمره کل اصلاح کنید
در بسیاری از مقیاسها برخی گویهها جهت معکوس دارند. اگر مقیاس ۱ تا ۵ باشد، تبدیل معمول برای گویه معکوس به شکل زیر است:
dat$q5_r <- 6 - dat$q5
برای مقیاسهای دیگر باید فرمول با حداقل و حداکثر واقعی هماهنگ شود. پیش از محاسبه میانگین یا مجموع مقیاس، فهرست گویههای معکوس را با پرسشنامه اصلی یا دستورالعمل ابزار تطبیق دهید.
۵. دادههای گمشده را فقط شمارش نکنید؛ الگوی آنها را بررسی کنید
اولین قدم، مشاهده تعداد دادههای گمشده در هر متغیر است:
colSums(is.na(dat))
اما تصمیم درباره حذف مورد، جایگزینی مقدار یا استفاده از روشهای پیشرفتهتر به میزان و سازوکار گمشدگی بستگی دارد. حذف خودکار همه ردیفهای ناقص میتواند اندازه نمونه را کاهش دهد و حتی سوگیری ایجاد کند. برای تصمیمگیری دقیقتر، راهنمای پاکسازی دادههای گمشده در تحلیل آماری پایاننامه را مطالعه کنید.
۶. پاسخهای تکراری و شناسههای غیرمنطقی را پیدا کنید
اگر هر پاسخدهنده شناسه منحصربهفرد دارد، تکرار شناسه باید بررسی شود:
duplicated(dat$id)
dat[duplicated(dat$id), ]
در پرسشنامههای آنلاین، یک پاسخ تکراری لزوماً به معنی تقلب یا داده نامعتبر نیست؛ ممکن است کاربر فرم را دوباره ارسال کرده باشد. بنابراین حذف باید بر اساس قواعد از پیش تعیینشده انجام شود.
۷. پیش از آزمون، آمار توصیفی و توزیع پاسخها را ببینید
قبل از اجرای مدلهای استنباطی، فراوانیها، میانگینها، میانهها، دامنه و نمودارهای ساده را مرور کنید. این مرحله بسیاری از خطاهای کدگذاری را آشکار میکند.
summary(dat)
hist(dat$score)
boxplot(dat$score)
برای دادههای لیکرت، جدول فراوانی و درصد پاسخها معمولاً از یک میانگین تنها اطلاعات بیشتری درباره شکل توزیع ارائه میدهد.
۸. نمره مقیاس را فقط بعد از کنترل گویهها بسازید
اگر چند گویه یک سازه را اندازهگیری میکنند، ابتدا باید جهت گویهها، دادههای گمشده و کیفیت پاسخها بررسی شود. سپس میتوانید نمره ترکیبی را بسازید:
items <- c("q1", "q2", "q3", "q5_r")
dat$scale_mean <- rowMeans(dat[items], na.rm = TRUE)
استفاده از na.rm = TRUE باید آگاهانه باشد؛ بهتر است حداقل تعداد گویههای پاسخدادهشده برای محاسبه نمره نیز تعریف شود تا یک نمره مقیاس بر اساس تعداد بسیار کمی پاسخ ساخته نشود.
۹. فایل پاکسازیشده و اسکریپت را جداگانه ذخیره کنید
بعد از اتمام پاکسازی، بهتر است یک نسخه تحلیلپذیر و همچنین اسکریپت کامل مراحل را نگه دارید:
write_csv(dat, "questionnaire_clean.csv")
مزیت اصلی استفاده از R این است که مسیر پاکسازی میتواند قابل تکرار باشد. اگر استاد یا پژوهشگر دیگری درباره یک تغییر سؤال کند، به جای اتکا به حافظه میتوانید دقیقاً نشان دهید چه تبدیلی روی داده انجام شده است.
۱۰. چکلیست کنترل کیفیت قبل از تحلیل آماری
- نوع داده هر ستون با تعریف متغیر سازگار است.
- کدهای داده گمشده به درستی به NA تبدیل شدهاند.
- مقادیر خارج از دامنه بررسی شدهاند.
- گویههای معکوس بر اساس دستورالعمل ابزار اصلاح شدهاند.
- پاسخهای تکراری یا شناسههای غیرمنطقی بررسی شدهاند.
- آمار توصیفی و نمودارهای اولیه مرور شدهاند.
- قواعد محاسبه نمره کل یا زیرمقیاسها مستند شدهاند.
- فایل خام بدون تغییر و اسکریپت پاکسازی نگهداری شدهاند.
مرحله بعد: از داده تمیز به تحلیل قابل دفاع
پس از کنترل کیفیت، انتخاب آزمون باید بر اساس سؤال پژوهش، نوع متغیرها، طرح مطالعه و مفروضههای آماری انجام شود. برای ادامه مسیر به راهنمای کامل تحلیل دادههای پرسشنامه با R مراجعه کنید. اگر مسئله شما به طراحی تحلیل یا انتخاب روش مربوط است، صفحه خدمات تحلیل آماری نیز ساختار خدمات مرتبط را توضیح میدهد.
