Braki danych w ankiecie i pracy dyplomowej – jak je sprawdzić, uzupełnić i opisać?

Pusta komórka w arkuszu nie jest drobnym problemem technicznym. Może oznaczać pominięte pytanie, przerwanie ankiety, błąd eksportu, odpowiedź „nie dotyczy” albo pomiar, którego nie dało się wykonać. Każda z tych sytuacji niesie inną informację, dlatego nie wolno automatycznie zastępować wszystkich braków zerem ani usuwać niekompletnych osób bez sprawdzenia konsekwencji.

W tym poradniku pokazujemy, jak rozpoznać wzorzec braków danych, czym różnią się MCAR, MAR i MNAR, kiedy analiza pełnych przypadków może być rozsądna, dlaczego wpisywanie średniej zwykle zniekształca wyniki oraz jak przejrzyście opisać podjęte decyzje w pracy dyplomowej. Przykłady odnoszą się przede wszystkim do ankiet i analiz ilościowych wykonywanych w Jamovi.

Czym są braki danych?

Brak danych występuje wtedy, gdy dla określonej osoby i zmiennej nie ma wartości potrzebnej do analizy. Trzeba odróżnić go od prawidłowej wartości równej zero oraz od kategorii „nie dotyczy”. Zero może oznaczać rzeczywisty wynik, na przykład brak godzin aktywności w tygodniu. „Nie dotyczy” jest odpowiedzią merytoryczną, która czasem powinna zostać osobną kategorią. Brak oznacza natomiast, że wartości nie zaobserwowano albo nie można jej wykorzystać.

Braki mogą dotyczyć pojedynczych pytań, całego bloku kwestionariusza albo całych pomiarów. Inne konsekwencje ma jedna opuszczona pozycja w dziesięcioelementowej skali, a inne brak wyniku głównej zmiennej zależnej u 30% uczestników.

Jak oznaczać braki w arkuszu i Jamovi?

Najbezpieczniej przechowywać brak jako pustą komórkę albo systemową wartość `NA`, zależnie od programu. Nie wpisuj spacji, myślnika, słowa „brak” ani kilku różnych kodów w tej samej kolumnie. Takie wartości mogą zmienić typ zmiennej z liczbowego na tekstowy i utrudnić analizę.

W starszych zbiorach braki bywają zapisane kodami takimi jak `-99`, `999` lub `9999`. Sam nietypowy numer nie staje się jednak automatycznie brakiem. Jeżeli program potraktuje `999` jako prawdziwy wynik, średnia, odchylenie standardowe i wykres mogą zostać poważnie zniekształcone.

W Jamovi:

1. Otwórz kartę Dane i edytor wybranej zmiennej.
2. Sprawdź typ danych oraz poziom pomiaru.
3. W ustawieniu Missing values / Braki danych dodaj regułę dla kodu użytego w źródłowym pliku, na przykład `== 999`.
4. Zweryfikuj, czy kod zniknął z zestawienia prawidłowych wartości i jest traktowany jako brak.
5. Zapisz tę decyzję w kluczu kodowym, aby można ją było odtworzyć.

Nie stosuj jednego kodu, jeśli zaciera on ważne powody braku. W badaniu podłużnym warto wiedzieć, czy osoba odmówiła odpowiedzi, nie kwalifikowała się do pytania, nie pojawiła się na pomiarze czy została utracona z obserwacji. Powód można zachować w osobnej zmiennej, a analizowaną wartość pozostawić jako brak.

MCAR, MAR i MNAR – trzy mechanizmy braków

Klasyfikacja MCAR, MAR i MNAR nie opisuje wielkości problemu, lecz zależność między prawdopodobieństwem braku a danymi. Nie da się jej wiarygodnie ustalić wyłącznie na podstawie procentu pustych komórek.

MCAR – brak całkowicie losowy

Przy MCAR osoby z brakami są pod względem analizowanych cech podobne do osób z kompletnymi danymi. Utrata części obserwacji obniża liczebność i precyzję, ale analiza pełnych przypadków może pozostać nieobciążona. W praktyce czyste MCAR występuje rzadziej, niż sugeruje automatyczne stwierdzenie „braki były losowe”.

MAR – brak wyjaśnialny obserwowanymi danymi

MAR nie oznacza, że braki powstały przypadkowo w potocznym sensie. Oznacza, że ich prawdopodobieństwo można opisać za pomocą informacji już dostępnych w zbiorze. Jeżeli odpowiedź częściej pomijają osoby z określonej grupy wiekowej, a wiek został zmierzony, uwzględnienie tej zmiennej może pomóc ograniczyć zniekształcenie.

MNAR – brak zależny od nieobserwowanej wartości

Przy MNAR sam brak niesie informację o wartości, której nie poznano. Może tak być przy pytaniach drażliwych, nasileniu objawu albo rezygnacji z badania spowodowanej pogorszeniem stanu. Standardowa analiza pełnych przypadków i zwykła imputacja przy założeniu MAR mogą wtedy nie wystarczyć. Potrzebne są założenia merytoryczne oraz analiza wrażliwości.

Nie istnieje pojedynczy test, który na podstawie jednego zbioru pewnie rozstrzyga, że mechanizm jest MAR albo MNAR. Diagnoza łączy wiedzę o sposobie zbierania danych, porównania grup, wzorzec braków i założenia analizy.

Jak sprawdzić skalę i wzorzec braków?

Zacznij od mapy problemu, a nie od wyboru metody uzupełniania. Przygotuj tabelę zawierającą dla każdej ważnej zmiennej liczbę dostępnych wartości, liczbę braków i odsetek braków. Osobno policz liczbę osób kompletnych dla całego modelu, ponieważ kilka niewielkich braków w różnych kolumnach może łącznie usunąć dużą część próby.

Krok 1. Policz braki w zmiennych

Dla próby `N = 240` wynik może wyglądać następująco:

Sam próg procentowy nie podejmuje decyzji za badacza. Brak 4% w głównej zmiennej wynikowej może być ważniejszy niż brak 20% w pomocniczym pytaniu, którego nie wykorzystuje żadna hipoteza.

Krok 2. Sprawdź, czy braki tworzą układ

Porównaj osoby z wartością i bez wartości pod względem danych, które są dostępne dla obu grup. Możesz sprawdzić między innymi:

• wiek, płeć, kierunek albo grupę badawczą;
• wynik wcześniejszego pomiaru;
• czas rozpoczęcia i ukończenia ankiety;
• urządzenie używane do wypełnienia formularza;
• miejsce przerwania;
• odpowiedzi na pytania poprzedzające brak;
• kanał rekrutacji.

Jeżeli braki skupiają się na telefonach, w jednej grupie albo po szczególnie długiej sekcji, prawdopodobnie nie są przypadkowym rozsypaniem pustych komórek.

Krok 3. Obejrzyj problem przed analizą główną

Kontrola jakości przed analizą

Najpierw policz rodzaje problemów. Dopiero potem ustal, które obserwacje i zmienne wejdą do modelu.

Najedź na słupek, aby odczytać przykładową liczbę rekordów. Wykres służy do demonstracji procedury, a nie do ustalania uniwersalnych progów.

W Jamovi do pierwszej kontroli wystarczą statystyki opisowe, tabele częstości i filtry. Możesz także utworzyć pomocniczy wskaźnik informujący, czy wartość jest dostępna, a następnie porównać grupy. Taka analiza nie dowodzi MAR lub MNAR, ale pokazuje, czy brak wiąże się ze zmiennymi obserwowanymi.

Usuwanie przypadków – kiedy jest dopuszczalne?

Najprostsze rozwiązanie to analiza kompletnych przypadków, nazywana listwise deletion. Do modelu trafiają tylko osoby posiadające wszystkie wymagane wartości. Metoda jest przejrzysta, lecz może prowadzić do dużej utraty próby i zniekształcenia wyników.

Rozważ ją, gdy:

• braków jest niewiele;
• istnieją mocne podstawy do przyjęcia MCAR albo model pozostaje poprawny przy słabszych założeniach właściwych dla danej analizy;
• po usunięciu przypadków nadal zostaje liczebność wystarczająca dla zaplanowanego modelu;
• osoby kompletne i niekompletne nie różnią się w sposób ważny na dostępnych zmiennych;
• pokażesz, ile obserwacji odpadło i dlaczego.

Przykład: w zbiorze 240 osób dwie osoby nie podały wieku, a wiek jest tylko zmienną kontrolną. Jeżeli brak powstał wskutek niezależnego błędu technicznego, analiza 238 pełnych przypadków może być rozsądniejsza niż rozbudowana imputacja.

Inna sytuacja występuje, gdy 12% osób nie podało wyniku skali, a braki są częstsze w jednej grupie. Usunięcie wszystkich niekompletnych rekordów zmieni skład próby, zmniejszy moc i może przesunąć oszacowanie efektu.

Listwise i pairwise deletion to nie to samo

Przy usuwaniu pełnymi przypadkami wszystkie wyniki danego modelu wykorzystują ten sam zestaw osób. Przy podejściu pairwise każda korelacja lub statystyka może wykorzystywać inną dostępną parę zmiennych. Drugie rozwiązanie zachowuje więcej danych, ale może tworzyć tabele o różnych liczebnościach i macierze korelacji trudne do pogodzenia w jednym modelu.

Nie wybieraj pairwise tylko dlatego, że program pokazuje większe `N`. Sprawdź, czy kolejne elementy wyniku dotyczą tej samej próby i czy można je razem interpretować.

Dlaczego wpisywanie średniej zwykle jest złym rozwiązaniem?

Imputacja średnią zastępuje każdy brak jedną przeciętną wartością. Z pozoru zachowuje liczbę wierszy, ale nie odtwarza informacji, której nie zebrano. Sztucznie zwiększa liczbę wyników bliskich średniej, zmniejsza wariancję i może osłabiać albo zniekształcać korelacje.

Podobne problemy mają:

• wpisywanie zera bez merytorycznego znaczenia;
• zastępowanie braku medianą w całym zbiorze;
• przenoszenie ostatniej obserwacji do kolejnego pomiaru bez uzasadnienia;
• wybieranie najbardziej typowej kategorii;
• pojedyncze przewidywanie z modelu traktowane jak pewna, zaobserwowana wartość.

Pojedyncza imputacja nie uwzględnia niepewności. Program analizuje uzupełnioną wartość tak, jakby rzeczywiście została zmierzona. Standardowe błędy i przedziały ufności mogą być przez to zbyt małe.

Kiedy rozważyć imputację wielokrotną?

Imputacja wielokrotna tworzy kilka uzupełnionych zbiorów, analizuje je oddzielnie, a następnie łączy oszacowania z uwzględnieniem różnic między imputacjami. Nie polega na odgadywaniu jednej „prawdziwej” wartości dla konkretnej osoby. Jej celem jest poprawne wnioskowanie na poziomie modelu przy jawnych założeniach.

Może być uzasadniona, gdy:

• analiza pełnych przypadków usuwa istotną część próby;
• dostępne są zmienne związane z wartością brakującą i prawdopodobieństwem braku;
• założenie MAR jest merytorycznie wiarygodne;
• model imputacji uwzględnia typ zmiennych, nieliniowości i strukturę badania;
• wynik zostanie porównany z analizą pełnych przypadków;
• potrafisz opisać liczbę imputacji, użyte zmienne i sposób połączenia wyników.

Nie wykonuj imputacji mechanicznie po zaznaczeniu jednej opcji. Model imputacji powinien zawierać zmienne z modelu głównego, zmienną wynikową oraz przydatne zmienne pomocnicze związane z brakami. Liczba imputacji nie musi być równa liczbie procent braków, ale powinna być wystarczająca do stabilnego oszacowania; decyzję uzasadnia się skalą problemu i zastosowaną procedurą.

Podstawowa instalacja Jamovi pozwala definiować kody braków, filtrować dane i kontrolować dostępne obserwacje. Pełna imputacja wielokrotna może wymagać dodatkowego modułu, wykorzystania R przez Rj albo przygotowania zbiorów w innym programie. Jeżeli analiza ma wpływać na główne wnioski pracy, warto skonsultować model imputacji zamiast ręcznie uzupełniać komórki.

Braki w skalach Likerta i kwestionariuszach

Przy skali złożonej z kilku pozycji najpierw sprawdź instrukcję narzędzia. Autor może określać minimalną liczbę odpowiedzi potrzebną do obliczenia wyniku. Nie twórz własnej reguły tylko dlatego, że ułatwia zachowanie większej liczby osób.

Przykładowe strategie:

Przeliczanie średniej z różnej liczby pozycji może być użyteczne, ale trzeba ustalić minimalny zakres. Wynik osoby odpowiadającej na 2 z 10 pytań nie ma tej samej wiarygodności co wynik osoby z kompletem odpowiedzi. Szczegółowe zasady tworzenia wyniku opisujemy w poradniku o skali Likerta w ankiecie.

Procedura postępowania krok po kroku

1. Zachowaj niezmienioną kopię surowego pliku.
2. Zdefiniuj, co oznacza pustka, zero, „nie dotyczy” i każdy specjalny kod.
3. Sprawdź zakresy wartości oraz błędy eksportu przed zaklasyfikowaniem ich jako braki.
4. Policz braki osobno dla każdej zmiennej.
5. Policz liczbę pełnych przypadków dla każdego planowanego modelu.
6. Obejrzyj wzorzec braków według grup, czasu, urządzenia i innych dostępnych zmiennych.
7. Zapisz możliwe przyczyny wynikające z procedury badania.
8. Określ mechanizm, który uznajesz za najbardziej wiarygodny, i zaznacz niepewność.
9. Porównaj konsekwencje analizy pełnych przypadków, dostępnych obserwacji i ewentualnej imputacji.
10. Wybierz metodę przed oglądaniem pożądanego wyniku hipotezy.
11. Wykonaj analizę wrażliwości, jeżeli inne rozsądne decyzje mogą zmienić wniosek.
12. Zaraportuj skalę braków, przyjętą metodę, ostateczne `N` i ograniczenia.

Ta procedura łączy się z wcześniejszym etapem projektowania. Badanie pilotażowe pomaga wykryć pytania generujące braki, zanim formularz trafi do całej próby. Z kolei poradnik o przygotowaniu danych w Jamovi obejmuje także kodowanie, duplikaty i wartości odstające.

Jak opisać braki danych w pracy dyplomowej?

Opis powinien odpowiedzieć na pięć pytań:

• ile wartości brakowało w każdej ważnej zmiennej;
• ilu uczestników nie weszło do konkretnej analizy;
• jakie były znane lub przypuszczalne przyczyny;
• jaką metodę zastosowano;
• czy alternatywna rozsądna decyzja zmieniała wynik.

Przykład analizy pełnych przypadków

Do badania włączono 240 osób. Braki w głównej zmiennej wynikowej wystąpiły u 6 osób (2,5%), a w zmiennych kontrolnych u 2–9 osób (0,8–3,8%). Model regresji oszacowano dla 226 kompletnych przypadków. Osoby uwzględnione i wykluczone nie różniły się istotnie pod względem wieku, płci ani grupy badawczej. Ze względu na niewielki zakres braków i brak rozpoznanego wzorca zastosowano analizę pełnych przypadków. Liczebność użyta w każdym modelu została podana pod tabelą wyników.

Nie zapisuj, że „braki nie miały znaczenia”, jeżeli sprawdzono jedynie nieistotne wartości `p`. Mała grupa osób z brakami daje niską moc porównań. Bezpieczniej opisać zakres wykonanej kontroli i ograniczenia.

Przykład imputacji wielokrotnej

Braki wystąpiły u 14,2% uczestników, przy czym w pojedynczych zmiennych ich odsetek wynosił od 0,8% do 9,6%. Prawdopodobieństwo braku wyniku końcowego wiązało się z grupą badawczą i wynikiem pomiaru początkowego. Przyjęto założenie MAR i zastosowano imputację wielokrotną metodą równań łańcuchowych. Model imputacji obejmował wszystkie zmienne modelu głównego, wynik początkowy, grupę i wiek. Utworzono 40 zbiorów, a oszacowania połączono zgodnie z regułami Rubina. Dodatkowa analiza pełnych przypadków prowadziła do zgodnego wniosku, choć przedziały ufności były szersze.

W pracy podaj rzeczywiście użyte oprogramowanie, moduł i ustawienia. Nie kopiuj tego przykładu, jeżeli nie wykonano opisanej procedury.

Przykład ograniczenia przy podejrzeniu MNAR

Pytanie o dochód pominięto w 28,3% kwestionariuszy. Braki częściej występowały w starszej grupie, lecz nie można wykluczyć, że sama wysokość dochodu wpływała na odmowę odpowiedzi. Wyniki dotyczące dochodu należy zatem interpretować ostrożnie, ponieważ założenie MAR nie jest możliwe do pełnego sprawdzenia na podstawie dostępnych danych.

Najczęstsze błędy

• zastępowanie każdej pustej komórki zerem;
• uznawanie „nie dotyczy” za brak bez sprawdzenia znaczenia;
• pozostawienie kodu `999` jako prawidłowego wyniku;
• podawanie wyłącznie ogólnego procentu braków dla całego arkusza;
• automatyczne usuwanie każdego niekompletnego wiersza;
• stosowanie imputacji średnią, aby zachować liczebność;
• nazywanie braków MCAR tylko dlatego, że test nie był istotny;
• pomijanie zmiennej wynikowej w modelu imputacji;
• raportowanie jednego `N`, mimo że analizy wykorzystywały różne próby;
• podejmowanie decyzji dopiero po sprawdzeniu, która metoda daje korzystniejszą wartość `p`;
• brak analizy wrażliwości przy niepewnych założeniach;
• ukrywanie liczby wykluczonych osób.

Przed zakończeniem analizy sprawdź:

• Czy każdy specjalny kod ma jednoznaczną definicję?
• Czy zero zostało odróżnione od braku?
• Czy policzono braki dla wszystkich zmiennych użytych w hipotezach?
• Czy wiadomo, ile osób weszło do każdego modelu?
• Czy sprawdzono grupy i miejsca, w których braki występują częściej?
• Czy przyjęty mechanizm jest uzasadniony sposobem zbierania danych?
• Czy metoda obsługi braków odpowiada analizie, a nie tylko wygodzie?
• Czy zachowano niepewność przy imputacji?
• Czy alternatywna analiza prowadzi do podobnego wniosku?
• Czy opis pozwala odtworzyć wszystkie decyzje?

FAQ

Czy przy mniej niż 5% braków można je zawsze zignorować?

Nie. Odsetek jest tylko jednym z kryteriów. Znaczenie ma zmienna, wzorzec braków, mechanizm i wpływ na liczebność konkretnego modelu. Niewielki, ale systematyczny brak w głównym wyniku może zniekształcać wniosek.

Czy pusta komórka i zero oznaczają to samo?

Nie. Zero może być prawidłową wartością, natomiast pusta komórka oznacza brak obserwacji. Zastąpienie braku zerem obniża średnią i może zmienić zależności między zmiennymi.

Czy test Little’a potwierdza, że braki są losowe?

Test Little’a odnosi się do założenia MCAR, ale jego wynik nie dowodzi MAR ani nie wyklucza MNAR. Przy małej mocy może nie wykryć odstępstw, a przy dużej próbie reagować na niewielkie różnice. Trzeba połączyć go z wiedzą o procedurze i analizą wzorca braków.

Czy można uzupełnić braki średnią z odpowiedzi danej osoby?

Tylko w ściśle określonych sytuacjach, najczęściej przy wyniku wielopozycyjnej skali, gdy instrukcja narzędzia lub wcześniej ustalona reguła dopuszcza obliczenie średniej z minimalnej liczby pozycji. Nie jest to uniwersalna metoda dla dowolnych zmiennych.

Czy Jamovi sam wybierze właściwy sposób obsługi braków?

Nie. Program może rozpoznać zdefiniowane kody, pominąć braki w wybranych analizach i pomóc w diagnostyce. Nie zna jednak przyczyny braku ani założeń projektu. Decyzję trzeba uzasadnić metodologicznie.

Czy po imputacji podaje się pierwotną czy uzupełnioną liczebność?

Należy podać liczbę uczestników w badaniu, zakres braków, liczbę przypadków kompletnych oraz sposób utworzenia i połączenia imputowanych zbiorów. Samo podanie końcowego `N` ukrywa skalę niepewności i nie pozwala ocenić procedury.

Źródła i dalsza lektura

• jamovi – definiowanie wartości brakujących w edytorze zmiennych
• Sterne i in. (2009) – Multiple imputation for missing data in epidemiological and clinical research
• White, Royston i Wood (2011) – Multiple imputation using chained equations: issues and guidance for practice
• Pedersen i in. (2017) – Missing data and multiple imputation in clinical epidemiological research
• STROBE – checklista raportowania badań obserwacyjnych
• European Medicines Agency – Missing data in confirmatory clinical trials

Jeżeli masz arkusz z brakami i nie wiesz, które obserwacje można zachować, jak przygotować model albo jak opisać decyzję w pracy, sprawdź zakres analiz statystycznych lub prześlij plik i opis badania. Dobra decyzja nie polega na maksymalnym wypełnieniu pustych komórek, lecz na uczciwym wykorzystaniu informacji, którą rzeczywiście zebrano.