Tezde SPSS veri temizleme, analiz menüsüne geçmeden önce yapılan teknik bir ayrıntı değildir. Bulgularınızın güvenilirliği, seçtiğiniz testin uygunluğu ve danışmanınıza açıklayabileceğiniz sonuçların niteliği bu aşamada belirlenir. Bir ters kodlama hatası, yanlış tanımlanmış bir eksik değer ya da ölçüm hatasından kaynaklanan tek bir uç gözlem; ortalama, korelasyon, regresyon ve grup karşılaştırması sonuçlarını anlamlı biçimde değiştirebilir.
Veri temizlemenin amacı veriyi “kusursuz” göstermek değildir. Amaç, veri setinde gerçekten ne olduğunu şeffaf biçimde görmek, gerekçeli kararlar almak ve bu kararları yöntem bölümünde savunabilmektir. Bu nedenle süreç, yalnızca SPSS çıktısına bakarak değil; araştırma sorusu, ölçek yapısı, örneklem özelliği ve planlanan analizlerle birlikte yürütülmelidir.
Tezde SPSS veri temizleme neden analizden önce gelir?
SPSS’te bir analiz birkaç dakika içinde tamamlanabilir. Ancak hızlı alınan bir çıktı, doğru sonuç anlamına gelmez. Örneğin 1-5 aralığında yanıtlanması gereken bir maddede 55 değeri görünüyorsa, program bu değeri teknik olarak hesaplamaya dahil edebilir. Sonuçta standart sapma büyür, dağılım bozulur ve ilgili değişkenin diğer değişkenlerle ilişkisi yapay biçimde değişebilir.
Benzer biçimde, katılımcının tüm maddelere aynı yanıtı vermesi her zaman veri hatası değildir. Bu durum dikkat eksikliği, gerçek bir tutum örüntüsü veya anket tasarımının bir sonucu olabilir. Araştırmacının görevi, şüpheli her kaydı otomatik olarak silmek değil; kaydın neden şüpheli olduğunu incelemek ve kararı önceden belirlenmiş ya da metodolojik olarak açıklanabilir ölçütlere dayandırmaktır.
Temiz bir veri seti, yalnızca daha iyi görünen tablo üretmez. Normallik, varyans homojenliği, doğrusallık ve bağımsızlık gibi varsayım kontrollerinin daha anlamlı yapılmasını sağlar. Böylece parametrik bir testin mi, dönüşümün mü, yoksa parametrik olmayan bir yaklaşımın mı uygun olduğu daha sağlıklı değerlendirilir.
Veri girişini ve değişken tanımlarını kontrol edin
İlk inceleme SPSS’in Variable View ekranında başlamalıdır. Her değişkenin adı, etiketi, türü, ondalık hanesi, değer etiketleri ve ölçüm düzeyi araştırma formuyla karşılaştırılmalıdır. Cinsiyet, bölüm veya medeni durum gibi kategorik değişkenlerde kodların doğru girildiği; yaş, puan ve süre gibi sürekli değişkenlerde ise sayısal formatın uygun olduğu kontrol edilmelidir.
Ölçüm düzeyi alanı tek başına analizi belirlemez, ancak veri setini düzenli tutar. Nominal ve ordinal değişkenlerin yanlışlıkla scale olarak bırakılması, özellikle dosya üzerinde daha sonra çalışan araştırmacı için karışıklık yaratabilir. Değişken etiketlerinin açık olması da önemlidir. “m1”, “m2” gibi kısa adlar kullanılabilir; fakat etiketlerde hangi maddenin neyi ölçtüğü anlaşılmalıdır.
Ardından Analyze > Descriptive Statistics > Frequencies veya Descriptives menülerinden temel dağılımlar incelenebilir. Minimum ve maksimum değerler, geçerli ve eksik gözlem sayıları, beklenmeyen kodları hızlı biçimde gösterir. Bu noktada veri toplama formuna dönmek gerekir: Örneğin 0 değeri gerçekten “hiç katılmıyorum” mu, yoksa boş bırakılmış bir yanıt için kullanılan işaret mi? Bu ayrım yapılmadan eksik veri analizi güvenilir olmaz.
Ters maddeler ve toplam puanlar
Likert tipi ölçeklerde ters ifadeli maddeler özellikle dikkat gerektirir. Ters kodlama yapılmadan hesaplanan toplam puan, ölçeğin iç tutarlılığını düşürebilir ve yorum yönünü tersine çevirebilir. 1-5 aralığındaki bir madde için ters kodlama genellikle 1’i 5’e, 2’yi 4’e, 3’ü 3’e dönüştürme mantığıyla yapılır. Ancak bu işlem, ölçeğin orijinal puanlama yönergesi doğrulanmadan uygulanmamalıdır.
SPSS’te Transform > Recode into Different Variables seçeneği, orijinal maddeyi koruduğu için daha güvenli bir uygulamadır. Yeni değişkene anlaşılır bir ad verin ve işlem sonrasında frekansları yeniden kontrol edin. Toplam veya ortalama puan oluştururken de hangi maddelerin dahil edildiğini, eksik yanıt varsa puanın hangi koşulda hesaplandığını kayıt altına alın.
Eksik değerleri saymak yetmez, yapısını incelemek gerekir
Eksik veri her tezde aynı şekilde ele alınamaz. Bir katılımcının yalnızca bir maddede yanıtının olmaması ile anketin yarısını boş bırakması aynı durum değildir. Önce her değişkende ve her katılımcıda eksiklik oranı incelenmelidir. Çok sayıda kritik değişkende eksik yanıtı bulunan bir kayıt, analiz amacına bağlı olarak dışarıda bırakılabilir; fakat bu kararın örneklem büyüklüğüne ve yanlılık riskine etkisi değerlendirilmelidir.
Eksiklik düşük düzeydeyse ve rastgele görünüyorsa, bazı analizlerde geçerli gözlemler üzerinden işlem yapmak makul olabilir. Buna karşılık eksik yanıtlar belirli bir grupta yoğunlaşıyorsa – örneğin gelir sorusunu belirli katılımcılar daha sık boş bırakıyorsa – sonuçların temsil gücü etkilenebilir. Bu durumda yalnızca “eksik değerler silindi” demek yeterli bir yöntem açıklaması değildir.
Ortalama ile atama gibi yöntemler pratik görünse de varyansı daraltabilir ve ilişkileri zayıflatabilir. Çoklu atama veya beklenti-maksimizasyon gibi daha gelişmiş seçenekler, örneklem, eksiklik mekanizması ve analiz planı uygunsa değerlendirilebilir. Bu teknikler her veri seti için zorunlu değildir; yanlış varsayımla kullanıldığında sorunu çözmek yerine yeni bir belirsizlik yaratabilir.
Aykırı değerleri hem tek değişkenli hem çok değişkenli inceleyin
Aykırı değer, otomatik olarak silinecek değer demek değildir. İlk olarak tek değişkenli incelemede kutu grafikleri, z puanları ve minimum-maksimum değerler kullanılabilir. Büyük örneklemlerde z puanının tek başına katı bir karar aracı olmadığı unutulmamalıdır. Dağılımı doğal olarak geniş olan bir değişkende yüksek görünen değer, gerçekte mümkün ve anlamlı olabilir.
Çok değişkenli analiz planlanıyorsa, katılımcının değişkenlerin birleşimindeki konumu da önem taşır. Mahalanobis uzaklığı, özellikle çoklu regresyon, MANOVA veya yapısal eşitlik modellemesi öncesinde çok değişkenli aykırı gözlemleri değerlendirmede yararlı olabilir. Burada serbestlik derecesi, kritik ki-kare değeri ve modeldeki yordayıcı sayısı doğru kurulmalıdır.
Şüpheli bir gözlem bulunduğunda üç soru sorun: Veri girişinde hata var mı? Değer teorik ve pratik olarak mümkün mü? Bu kayıt analiz sonucunu orantısız biçimde etkiliyor mu? Hata olduğu doğrulanırsa kaynak kayıtla düzeltilir. Gerçek fakat etkili bir değer ise, kayıt tutularak duyarlılık analizi yapılabilir veya daha uygun istatistiksel yöntemler düşünülebilir. Silme kararı, yalnızca sonucu daha anlamlı hale getirdiği için verilmemelidir.
Tutarsız yanıtları ve veri kalitesini görünür kılın
Anket verilerinde aynı kişinin bir soruda 18 yaşın altında, başka bir soruda 25 yaşında olduğunu belirtmesi gibi mantıksal tutarsızlıklar görülebilir. Filtre sorularına göre cevaplanmaması gereken maddelerin doldurulması, imkansız süre değerleri veya yinelenen kayıtlar da veri kalitesi incelemesinin parçasıdır. SPSS’te Select Cases, Sort Cases ve frekans tabloları bu kontroller için işlevseldir.
Çevrim içi anketlerde çok kısa tamamlama süreleri veya tüm maddelerde aynı seçeneğin işaretlenmesi ek inceleme gerektirebilir. Yine de tek bir göstergeyle katılımcıyı dışlamak doğru değildir. Araştırma tasarımı, anket uzunluğu ve dikkat kontrol maddeleri birlikte ele alınmalıdır. Karar kurallarını veri analizinden önce belirlemek ideal yaklaşımdır; bu mümkün olmadıysa kararın sonradan geliştirildiği açıkça belirtilmeli ve gerekçesi korunmalıdır.
Temizleme kararlarını analiz dosyasının dışında da kaydedin
SPSS dosyasındaki son hali görmek, sürecin nasıl ilerlediğini anlatmaz. Bu nedenle değişken dönüştürmeleri, ters kodlamalar, dışlanan kayıtlar, eksik veri kararları ve aykırı değer incelemeleri için kısa bir işlem günlüğü oluşturun. Hangi tarihte neyin, hangi gerekçeyle değiştirildiğini yazmak; danışman geri bildirimi geldiğinde veya analizi tekrar üretmeniz gerektiğinde ciddi zaman kazandırır.
Aynı disiplin syntax kullanımında da gereklidir. Menüden yapılan işlemler öğrenme aşamasında yararlı olsa da, kritik dönüşümleri syntax ile saklamak analizin tekrarlanabilirliğini artırır. Böylece yeni veri eklendiğinde tüm işlemler baştan ve tutarlı biçimde uygulanabilir. Temizlenmemiş ham dosyayı, çalışma dosyasını ve analiz için hazırlanan son dosyayı ayrı tutmak da geri dönüş olanağı sağlar.
Yöntem bölümünde nasıl açıklanmalı?
Veri temizleme açıklaması kısa olabilir, ancak belirsiz olmamalıdır. Kaç kaydın incelendiği, hangi veri kalitesi ölçütlerinin kullanıldığı, eksik verinin nasıl ele alındığı ve varsa kaç gözlemin hangi gerekçeyle analize alınmadığı belirtilmelidir. Aykırı gözlemler için kullanılan ölçüt ve alınan karar da yazılmalıdır. Buradaki hedef, okuyucuyu teknik ayrıntıya boğmak değil, araştırmanın izlenebilir olduğunu göstermektir.
Örneğin yalnızca “veriler temizlenmiştir” ifadesi açıklayıcı değildir. Buna karşılık veri giriş aralığının kontrol edildiğini, ters maddelerin yeniden kodlandığını, belirli ölçütü karşılayan eksik kayıtların değerlendirildiğini ve aykırı değerlerin veri kaynağıyla karşılaştırıldığını belirtmek yöntemsel şeffaflık sağlar. Kullanılan ifade, gerçekten yaptığınız işlemlerle tam olarak örtüşmelidir.
Veri temizleme aşamasında kararsız kaldığınız noktalarda, çıktıyı tek başına yorumlamak yerine araştırma sorusu ve yöntem tasarımıyla birlikte gözden geçirmek daha güvenlidir. Akademik Analiz’in uzman rehberliği, araştırmacının kendi veri setindeki kararları anlamasına, SPSS işlemlerini doğrulamasına ve danışmanına açıklayabileceği bir analiz akışı kurmasına odaklanır. En iyi veri temizleme kararı, en fazla kaydı çıkaran değil; gerekçesi açık, tekrarlanabilir ve araştırmanızın gerçek yapısını dürüstçe yansıtan karardır.