İstatistik ve SPSS
Eksik veriler ve uç değerlerle ne yapacağım?
Kısa yanıt
En sık neden: Katılımcıların yorulması, soruyu anlamaması ya da hassas soruları yanıtlamak istememesi. Çözüm için (1) önce veri giriş hatalarını ayıkla, (2) eksik değer kodlarını tanımla, (3) eksik verinin miktarını ve örüntüsünü incele, (4) uygun stratejiyi seç. Ayrıntılı adımlar aşağıda.
Bu durum size tanıdık mı?
- Bazı katılımcılar birkaç soruyu boş bırakmış.
- Analizlerde N sayısı tablodan tabloya değişiyor.
- Kutu grafiğinde yıldızlı, numaralı noktalar görüyorsun.
- 1–5 aralığındaki bir maddede 0 ya da 55 gibi değerler var.
Olası nedenler
- Katılımcıların yorulması, soruyu anlamaması ya da hassas soruları yanıtlamak istememesi.
- Kâğıt anketlerde veri giriş hataları.
- Online formda soruların zorunlu yapılmamış olması.
- Eksik değerlerin 99 gibi kodlarla girilip SPSS’te “Missing” olarak tanımlanmaması.
- Gerçekten diğerlerinden çok farklı yanıt veren katılımcılar.
Adım adım çözüm
- 1
Önce veri giriş hatalarını ayıkla
Analyze > Descriptive Statistics > Frequencies ile her değişkenin min-maks değerlerine bak. Olası aralığın dışındaki değerleri (ör. 1–5 ölçekte 55) ham anketle karşılaştırıp düzelt. Bu “uç değer” değil, hatadır.
- 2
Eksik değer kodlarını tanımla
Eksik yanıtları 99 gibi bir kodla girdiysen Variable View sekmesinde Missing sütununda bu kodu “Discrete missing values” olarak tanımla; aksi hâlde SPSS 99’u gerçek değer sanıp ortalamaları bozar. Hiç kod vermediysen boş hücreler zaten sistem eksik değeri (.) olarak görünür.
- 3
Eksik verinin miktarını ve örüntüsünü incele
Hangi madde, kaç kişi, yüzde kaç eksik? Eksiklik belli bir soruda ya da belli bir grupta yoğunlaşıyor mu? Analyze > Missing Value Analysis (Missing Values modülü gerektirir) ile Little’ın MCAR testini yapabilirsin; p > ,05 olması eksikliğin tamamen rastgele olduğu varsayımıyla tutarlıdır. Jamovi ve JASP’ta ek modüllerle benzer incelemeler yapılabilir.
- 4
Uygun stratejiyi seç
Eksiklik az ve rastgele görünüyorsa (sıklıkla %5’in altı kaba ölçüt olarak verilir) listwise silme (eksik verisi olan kişiyi analiz dışı bırakma) çoğu zaman kabul edilebilir. Ölçek puanlarında, belirli sayıda maddeyi yanıtlamış kişilerin puanını MEAN.n ile hesaplamak yaygındır. Eksiklik fazla ya da sistematikse çoklu atama (Analyze > Multiple Imputation) gibi yöntemleri danışmanınla değerlendir. Ortalamayla doldurma varyansı yapay biçimde küçülttüğü için genellikle önerilmez.
- 5
Tek değişkenli uç değerleri belirle
Analyze > Descriptive Statistics > Descriptives penceresinde Save standardized values as variables kutusunu işaretle; SPSS her değişken için z puanı (Z ile başlayan değişken) oluşturur. Tabachnick ve Fidell’e göre |z| > 3,29 olan değerler olası uç değerdir. Explore çıktısındaki kutu grafikleri de bunları gösterir.
- 6
Çok değişkenli uç değerleri belirle (regresyon, faktör analizi)
Analyze > Regression > Linear > Save bölümünde Mahalanobis uzaklığını kaydet. Bu değeri, değişken sayısı kadar serbestlik dereceli ki-kare tablosunun p < ,001 kritik değeriyle karşılaştır (ör. 4 değişken için yaklaşık 18,47).
- 7
Karar ver ve şeffaf ol
Uç değer gerçek bir yanıtsa ve örneklemin parçasıysa tutmak; açıkça hatalı ya da dikkatsiz yanıtsa çıkarmak düşünülebilir. Önemli bulgularda analizleri uç değerli ve uç değersiz olarak tekrarlayıp sonucun değişip değişmediğine bakabilirsin. Kaç kişiyi neden çıkardığını yöntem bölümünde mutlaka yaz.
Toplam 412 katılımcıdan veri toplanmıştır. Ölçek maddelerinin %20’sinden fazlasını yanıtlamayan 9 katılımcı analiz dışı bırakılmıştır. Kalan veri setinde eksik veri oranı %1,8 olup Little’ın MCAR testi sonucu eksikliğin rastgele dağıldığı varsayımıyla tutarlıdır, χ²(86) = 97,14, p = ,193. Standart z puanları ±3,29 aralığı dışında kalan 4 katılımcı ile Mahalanobis uzaklığına göre (χ²(4) = 18,47, p < ,001) çok değişkenli uç değer olarak belirlenen 3 katılımcı veri setinden çıkarılmış, analizler 396 katılımcı üzerinden yürütülmüştür.
Konuyu derinlemesine öğrenin