נתונים חסרים בשאלון: איך מזהים, מה עושים ואיך מדווחים
למה נתונים חסרים הם בעיה, איך מגדירים ומאתרים אותם ב-SPSS, מתי מוחקים נבדק ומתי ממלאים ערך, מה ההבדל בין Listwise ל-Pairwise, ואיך כותבים על זה בפרק השיטה.
חלק מהסדרה: ניתוח סטטיסטי לעבודה סמינריונית ולתזה: המדריך המלא
כמעט בכל שאלון יש משתתפים שדילגו על שאלה, עצרו באמצע, או סימנו שתי תשובות. ההחלטה מה לעשות איתם משפיעה על גודל המדגם, על התוצאות, ולפעמים על המסקנה. והיא צריכה להופיע בעבודה במפורש - מנחים שואלים עליה.
שלב 1: להגדיר את החסרים ב-SPSS
תא ריק ב-SPSS הוא "System Missing" ומטופל אוטומטית. אבל אם סימנתם חוסר בקוד (למשל 99 או 999), חייבים להגדיר אותו ב-Variable View → Missing → Discrete missing values. אחרת SPSS יחשב את ה-99 כתשובה אמיתית, וממוצע של סולם 1-5 יקפוץ ל-17.
שלב 2: לבדוק כמה ואיפה
Analyze → Descriptive Statistics → Frequencies מראה כמה חסרים בכל פריט. שאלות לשאול:
- כמה חסר בסך הכול? פחות מ-5% בדרך כלל לא משנה הרבה.
- יש פריט שחסר בו הרבה? אולי הוא היה לא ברור או רגיש (הכנסה, מצב נפשי).
- יש נבדקים שעצרו באמצע? שאלון שמולא ב-30% הוא בעיה אחרת מפריט בודד שדולג.
שלב 3: להבין למה חסר
- חוסר אקראי (MCAR): דילוג במקרה. מחיקה לא מטה את התוצאות, רק מקטינה את המדגם.
- חוסר שתלוי במשהו שנמדד (MAR): למשל, צעירים דילגו יותר על שאלת ההכנסה.
- חוסר שתלוי בערך עצמו (MNAR): מי שמרגיש רע במיוחד לא ענה על שאלון הדיכאון. זה המקרה הבעייתי: הנתונים שנשארו מציירים תמונה ורודה מדי.
בעבודה סמינריונית לא צריך להוכיח איזה סוג - אבל כדאי להראות שחשבתם על זה.
שלב 4: להחליט מה עושים
| המצב | מה מקובל |
|---|---|
| נבדק שמילא חלק קטן מהשאלון | להוציא אותו מהמדגם (ולציין כמה הוצאו) |
| פריט בודד חסר בסולם של כמה פריטים | ממוצע הפריטים שנענו, אם נענו לפחות כ-80% מהם |
| מעט חסרים מפוזרים (עד ~5%) | Listwise (ברירת המחדל של SPSS) - בסדר |
| הרבה חסרים, מחקר חשוב (תזה) | Multiple Imputation או מודלים שמטפלים בחסרים - מתייעצים עם המנחה |
ממוצע הפריטים שנענו: במקום לסכם פריטים, מחשבים ממוצע עם MEAN.n ב-Compute Variable, למשל MEAN.4(q1,q2,q3,q4,q5) - מחשב ממוצע רק אם 4 פריטים לפחות נענו.
Listwise מול Pairwise: Listwise מוציא נבדק מכל ניתוח שחסר לו בו משתנה כלשהו - העקבי יותר. Pairwise משתמש בכל מה שיש לכל זוג משתנים, ולכן כל מתאם מחושב על מדגם קצת שונה. בטבלת מתאמים זה מקובל, אבל מציינים את טווח ה-N.
מה לא לעשות: להחליף חסרים בממוצע המדגם (Mean Substitution). זה פשוט, אבל מקטין את השונות ומנפח מובהקות. מנחים רבים יפסלו את זה.
איך מדווחים
בפרק השיטה או בתחילת הממצאים:
"מתוך 214 שאלונים שהתקבלו, 11 הוצאו מהניתוח משום שמולאו פחות מ-50% מהפריטים, והמדגם הסופי כלל 203 משתתפים. שיעור הנתונים החסרים בפריטים הבודדים נע בין 0% ל-3.4%. ציוני הסולמות חושבו כממוצע הפריטים שנענו, בתנאי שנענו לפחות 80% מפריטי הסולם."
טעויות נפוצות
- לא להגדיר קודי חוסר (99) ב-SPSS.
- לדווח N שונה בכל טבלה בלי להסביר למה.
- לסכם פריטים (Sum) כשחסר פריט - הציון יוצא נמוך באופן מלאכותי.
- להוציא נבדקים "לא נוחים" ולקרוא לזה נתונים חסרים.
שאלות נפוצות
האם צריך לבדוק את זה לפני אלפא של קרונבך? כן. חסרים משפיעים גם על המהימנות - ראו אלפא של קרונבך נמוכה.
איפה זה בתמונה הכוללת? בשלב 3 מתוך 7, הכנת הנתונים: ניתוח סטטיסטי לעבודה סמינריונית - המדריך המלא. יש לכם קובץ עם הרבה חסרים ולא ברור מה לעשות? ספרו לנו.
ספרו לנו מה צריך, ונחזור עם מומחה בניתוח סטטיסטי והצעת מחיר.
עודכן לאחרונה: