SPSS-数据的检核与整备

下图源于聂卉老师课件3-2：

1. 数据核查与清理

确保数据输入过程的正确无误，是侦错的过程。经过这一过程的数据为Computerized raw data, 其数据格式，内容与排列方式，均与文本资料完全一致，并符合编码系统的编码原则。

目的：维持数据输入过程的正确性。

（1） 标识和删除重复个案

总体思路：利用“标识重复个案”创建标识列标识重复列；利用“选择个案”删除被标识的重复列。

删除重复个案

生成标识重复列Repeat

根据repeat列的值选择特定个案，进行删除




完成。

（2） 逻辑校验

录入的数据因为填写者的疏忽、隐瞒、误填等出现错误，例如移动设备平均使用时间达到30小时。因此对录入的数据需要进行逻辑检验。使用的方法为“采用制表的方式来查看是否存在逻辑问题”。相关命令：Analyze/tables/Customs Tables

首先要分析数据，确定存在逻辑关系的列。如下图所示选中的两列中，若无网络经历（0），那么网络购物消费额度应当为0.

通过定制表查出异常数值。

选中具有关系的两列作为行列值，

在报告中可以发现，否列的值应当全部为0，但是出现了1，说明出现了逻辑错误数据。

接下来需要删掉这些记录：

再定制表时可以发现，基于这一逻辑关系的错误列已经被删除：

2.数据的整备

在甄错的基础上，对数据进行进一步完善，为数据整备。

（1） 遗漏值处理

利用替换缺失遗漏值进行遗漏值处理：

替换遗漏值的方法如下所示有多种：

A. Series means: 表示用整个序列的均值作为替代
B. Mean of nearby points:表示利用邻近点的均值替代
C. Median of nearby points:表示利用邻近点的中位数作为替代
D. Linear interpolation: 线性差值法，用缺失值前后两点数据的某种线性组合进行填补，是一种加权平均。
E. Linear trend at point:为线性趋势法，表示利用回归拟合线的拟合值作为替代值。

使用中应当注意：如下图所展示的五类补全“课堂焦虑”的方法，可以发现“临近点平均值”、“临近点中间值”、“线性插值”都不能补全一、二的值，因为这几种方法需要临近点不为空。

（2） 偏离值

分析下图所示的属性中是否出现偏离值：

分析思路1-频率统计

查看该字段的值是否在正常范围（0~24）内。因此，可以使用分析中描述性统计的频率统计：

可以得到下述结果：

分析：可以看出在均值为4.19，标准差为4.243的基本统计量下，30显然是一个outlier，确切的讲是个Extreme，极端值，应当引起特别关注。

分析思路2-箱线图

可以发现分析思路1依赖于常识，只在部分情况实用。另一种具备普适性的方法是使用箱线图：距离盒长的1.5倍以上被认为是偏离值；距离盒长3倍以上为极端值；极端值与偏离值越多，代表偏离情形越严重。
下图源于聂卉老师课件3-2：

SPSS绘制步骤：

拓展-双变量的偏离值检验
有的时候，我们需要将样本分类后，比较感兴趣数据的分布情况。
任务：将男生和女生上网时间的差异进行比较 名义变量(性别)-尺度变量(上网时间)

分析：

• 男生和女生上网时间的分布差异不大。男生平均时间为3.70小时，女生为4.61小时。
• 女生数据分布略分散，表现在标准差男生为2.494，女生为5.459，箱线图也表明部分女生上网时间比较长。但从偏离值中发现，女生群体中出现一个极端值，54，不合常理，需关注，可能是错误输入，该值影响女生样本的各项描述统计值，建议查验，剔除后，再分析。

分析思路3-界外值

所谓界外值，即绘制极值表，查看极值个案及其数值，观察极值距离是否合理。

总结

确定偏离值时，一般需要进行多个图表综合分析，得到最终结论。就上网时间分析，可以综合使用箱线图、频率分布图、极值表等等进行分析。