SPSS分析实战-数据清洗

这是一篇基于实战的学习笔记

• 在这个到处都是数据的时代，很多岗位都应该学一点数据分析，不仅是学一个软件，而是要从中掌握数据分析的思维。
• 问卷调研仍然是广泛应用的数据获取方式，所以学习问卷调研的数据分析不过时。
• 数据分析只是手段，最重要的还是结合业务场景，懂业务才知道从哪里下手分析。
• 需要有统计学基本知识，每篇文章前面我会把涉及的统计学知识点列一下，尽量通俗易懂。
• 我是一个实践者、也是学习者，有问题欢迎交流探讨。

参考书目
张文彤《SPSS20.0统计分析基础教程第2版》
张文彤《SPSS20.0统计分析高级教程第2版》

软件版本 SPSS25.0

基于电子问卷获取的数据
时间在2019年，问卷调研已经很少采用纸质问卷了，除了一些留置问卷的大型项目，大量线上调研、街头拦截的项目，都采用电子问卷。
电子问卷的好处是，提前可以设置很多逻辑限定，避免了很多人为录入错误。
所以，我的学习基于通过电子问卷获得的数据。

数据清洗

数据分析的第一步是数据清洗，如果你认同这句话，恭喜！你已经具有专业思维了。
本篇用到的统计学知识点：描述统计的基本指标，正态分布

问题1：需要清洗啥？

1.1 查错，通过数据维度找到有问题的样本，并进行标识、处理。调研中常见的问题包括：

• 配额错误
• 答题时间过短
• 样本重复
• 数值问题：异常值、缺失值、错误值
• 前后逻辑矛盾
• 量表题出现大量重复答案，比如全部都选“同意”

1.2 数据形式的再加工，常见情况包括，我下一篇会具体写

• 多选题的预处理
• 开放题的编码
• 选项的重新分组

问题2：技术路线查错

常用的方式基本就是以下几类，根据问题实践一下，很快就可以举一反三：

• 数据菜单：个案排序，汇总、验证、标识重复个案、标识异常个案
• 分析菜单：描述统计
• 转换菜单：对个案中的值进行计数、Recode
• 逻辑语句：IF，Recode，Compute

2.1 配额错误

用描述、交叉表的方式即可，比较简单，不演示做法了。

2.2 答题时间过短

答题时长变量
在线的问卷平台，通常可以提供一个变量是问卷的答题时长，通过这个变量可以初步判断被访者是否认真回答。
合理的答题时间
一个在线问卷调查，设计回答时间的上限通常是15-20分钟，在测试阶段，我会记录一下回答的真实时间，比如10分钟左右。
那么在哪个区间是比较合理的答题时间呢？这是个经验值，也用按后面写道的查找奇异值的方法

问题样本的处理办法
对于回答时间比较短的样本，需要看一下其他问题的回答情况，觉得不太认真的，可以做废卷处理。
有时候也会出现回答时间超长的样本，可能的原因是答题中途有间断，需要根据具体情况再处理。

操作方法

• 第一步：排序
  这是我用问卷星平台做的一个调研，SPSS导入数据以后发现，平台自动生成了一个答题时间变量totalseconds，单位是秒，字符串型变量
  在变量视图下
  首先要改成数字型变量，否则没法运算，直接改就好。

• 第二步，输出标记
  如果确信这个样本可以做废卷处理，可以直接删，或者新建一个二分法变量ERROR，用数值1标记这个样本。因为查错还有很多步骤，可以分别设置变量ERROR1-N，用来标记不同问题。
  如果有问题的样本比较少，直接手工录入数值就可以了，如果样本比较多，也可以写个语句。比较方便的是IF和Recode两个语句
  把这个语句直接复制到语法对话框里，运行就可以了。
  e.g.
  IF totalseconds <=400 ERROR=1.
  RECODE totalseconds (Lowest thru 400=1) (ELSE=0) INTO ERROR.

recode的语句比较长，懒得写的话，也可以直接在转换菜单-重新编码为不同变量里操作。

2.3 样本重复

这是手工录入时代常见的问题，电子问卷几乎不会出现了，也学一下吧，万一用得上呢。

操作方法一
数据菜单-汇总
把唯一ID作为分界变量，个案数勾选一下，定义一个新变量名，其他默认就好

跑一下新变量频数，有三个样本是重复了

操作方法二
数据菜单-标识重复个案
把唯一ID作为定义匹配个案的依据，其他默认就好

重复个案是2个，由于最后一个个案作为主个案，所以重复的是3个个案。

回到数据视图，系统已经帮你把重复的个案排到前面了，就是它们三个。

最后视情况处理就好了。

2.4 数值问题：异常值、缺失值、错误值

在电子问卷设计的过程中，我们往往会对每个题是否必答，可填答的数值大小做了限定，所以会大大减少后期出现数值问题的可能。提醒一下，选择题，一定要有一个“不知道或者无法作答”的选项，这样可以封闭选项，使被访者不会因为无法作答而乱答。
尽管如此，仍会有异常值、缺失值、错误值的出现，请看处理方法

2.4.1异常值

方法1：在数据服从正态分布的情况下，可以使用Z分标准化法（3δ法）：±3δ （正负3个标准差）以外的数据为高度异常值

这个方法要求数据服从正态分布， 而且不直观，所以只看一下简单演示。
首先要看数据是否为正态分布，方法可以看偏度、峰度、做直方图、做Q-Q图等
第二步，在描述里，将标准化值另存为变量，找正负3以外的数据。

图形-旧对话框-箱图

标识出的ID号就是异常值

方法3：标识异常个案
数据-标识异常个案模块来操作，这部分是通过算法来查找异常值，只能作为参考，而不能作为唯一标准。比如我们举的这个例子，这几个样本都不算异常。

算法基本原理

• 聚类：将所有个案分为若干类
• 评分：对每一个个案在其所属类别的异常度进行评分，并计算相应的异常Index
• 报告：对每一个异常个案，列出导致异常的具体变量的情况

操作方法

关键是输出结果的解读
异常指标（翻译得不好，就是异常index），这个表的分值不高。

对等ID，说明聚了两类，这几个异常值都属于第二类

算法认为这个变量异常的原因主要是第一个变量，这个个案的变量值是43，变量范数（这个类的变量均值）是38，其实不算异常。

2.4.2缺失值
对于调研数据，如果样本量够，一般缺失值就按缺失处理。样本量少的话也可以用均值替代法处理

2.4.3错误值
在纸质问卷调研中，经常会由于录入错误出现错误值，电子问卷这类问题相对少。
处理方法可以用函数，或者验证模块，参见2.5逻辑矛盾的处理。

2.5 前后逻辑矛盾

问题之间会有一定自然逻辑关系，比如年龄太小不应该有孩子。有时候，我们在设计问卷时也会故意设置一些问题之间的逻辑，以检查回答问题的质量。

方法一：验证模块
比如年龄和婚育状况之间的逻辑
Q1年龄变量的取值是18-45
Q28婚育状况变量的取值是

假设20岁以下有孩子的概率应该非常小，那么逻辑就是
Q1=18或19，Q28不能等于3

第一步先定义规则
数据菜单下的验证模块

选交叉变量规则，注意表达式的意思是错误的逻辑，别写反了

第二步在验证模块里选验证数据

输出的结果就可以直接显示逻辑错误的样本了

方法二：函数
e.g.
IF(Q1=18 | Q1=19)&Q28 = 3 ERROR=1.
有时候也会用到compute

2.6 量表题答案重复

量表题如果大量答案重复（比如都选同意），一方面反映这个样本的质量可能有问题，另一方面，在做因子分析的时候也会影响结果。可以用计数的方法查错。

第一步，定义一个新变量，把量表的语句都选进去

第二步，统计选5（非常同意）的个数

第三步：跑一下新变量QT的频数，看到一些样本的答案大量集中于5

第四步，处理方法
看一下这些样本的整体回答情况，如果其他问题不大，问卷可以保留，但在做因子分析的时候，需要过滤掉，如果其他题回答的也很不认真，就可以当作废卷处理了。