
SPSS Eğitimi: İleri Düzey Veri Temizleme Teknikleri
Adım adım ekran görüntüleriyle SPSS ile veri düzenlemede uzmanlaşın, eksik değerlerle başa çıkın ve analiz için veri setlerini hazırlayın.
Veri Temizliği Neden Önemlidir?
Veri temizliği her analizin en kritik adımıdır. Kötü temizlenmiş veri yanlı sonuçlara yol açar. SPSS'de veri temizliği; eksik değerleri belirleme, aykırı değerleri tespit etme, tutarsızlıkları kontrol etme ve değişken türlerini doğrulamayı içerir. Veri profesyonelleriyle yapılan anketler, analiz süresinin büyük bölümünün veri hazırlığına gittiğini gösteriyor: 2020 tarihli bir ankette ortalama yaklaşık %45 (Anaconda, 2020).
SPSS'de Eksik Değerleri Belirleme
SPSS iki tür eksik değer kullanır: sistem eksik (Data View'da nokta olarak görünür) ve kullanıcı tanımlı eksik değerler (belirli yanıtsızlık türlerini temsil eden kodlar). Analyze → Descriptive Statistics → Frequencies ile her değişken için eksik sayıları kontrol edin. Daha detaylı analiz için Analyze → Missing Value Analysis kullanın.
Eksik Veri İşleme Stratejileri
Veriler büyük olasılıkla tümüyle rastgele eksikse (MCAR) ve eksiklik oranı küçükse (yaygın pratik kural yaklaşık %5 ve altı) listwise deletion genellikle kabul edilebilir; eksiklik oranı arttıkça yanlılık riski de artar. MAR için çoklu atama (multiple imputation) önerilir — SPSS'de Transform → Multiple Imputation altında bulunur. Ortalama ikamesi genellikle tavsiye edilmez çünkü varyansı yapay olarak azaltır.
Aykırı Değerleri Yönetme
Analyze → Descriptive Statistics → Explore ile kutu grafikleri oluşturun. Z-puanları hesaplayın — yaklaşık ±3.29 ötesindeki değerler (iki yönlü yaklaşık p < .001) genellikle olası aykırı değer olarak işaretlenir. Herhangi bir aykırı değeri silmeden önce, bunun gerçek bir veri girişi hatası mı yoksa gerçek ama olağandışı bir gözlem mi olduğunu araştırın.
Değişkenleri Yeniden Kodlama
Transform → Recode into Different Variables ile yeni kategoriler oluşturun. Transform → Compute Variable ile toplam puanlar hesaplayın. Orijinal verilerinizi korumak için her zaman farklı bir değişkene yeniden kodlayın.
Analiz Öncesi Kontrol Listesi
Variable View'da değişken türlerini doğrulayın, frekans tabloları çalıştırın, Data → Identify Duplicate Cases ile tekrarlanan vakaları kontrol edin ve Shapiro-Wilk testi veya Q-Q grafikleri ile normalliği değerlendirin.
Kaynaklar
Anaconda. (2020). 2020 state of data science. https://www.anaconda.com/resources/whitepaper/state-of-data-science-2020