Anket ve ölçek verileriyle çalışan hemen her araştırmacı, analizlere başlamadan önce boş bırakılmış sorular, hatalı girilmiş değerler ve diğer katılımcılardan belirgin biçimde ayrışan yanıtlarla karşılaşır. Bu sorunlar fark edilmeden analize geçilirse ortalamalar, korelasyonlar ve test sonuçları yanıltıcı olabilir. Kayıp veri analizi, veri setindeki eksik değerlerin miktarının, örüntüsünün ve olası nedenlerinin incelenmesi ve bu değerlerin uygun yöntemlerle ele alınması sürecidir.
Uç değer incelemesiyle birlikte veri temizleme aşamasını oluşturan bu süreç, tezlerde çoğu zaman göz ardı edilir ya da raporlanmaz. Aşağıda kayıp veri türlerini, SPSS’te kayıp veri ve uç değer analizinin nasıl yapılacağını, kullanılabilecek yöntemleri ve raporlamayı adım adım bulabilirsiniz.
Veri Temizleme Neden Önemlidir?
Veri girişindeki küçük bir hata bile sonuçları belirgin biçimde etkileyebilir. Örneğin 1-5 arası puanlanan bir maddeye yanlışlıkla 55 girilmişse ortalama ve standart sapma bozulur, korelasyon katsayıları değişir. Rastgele işaretlenmiş formlar ya da çok sayıda boş madde içeren yanıtlar da analizlerin güvenilirliğini zayıflatır. Bu nedenle veri temizleme, analiz sürecinin ilk ve zorunlu adımı olarak görülmelidir.
Veri temizleme sürecinin ilk adımı, her değişken için Analyze > Descriptive Statistics > Frequencies menüsünden en küçük ve en büyük değerlerin incelenmesidir. Olası değer aralığının dışında kalan değerler, orijinal formlarla karşılaştırılarak düzeltilmelidir.
Kayıp Veri Analizi: Kayıp Veri Türleri
Kayıp verinin nasıl ele alınacağı, verilerin hangi mekanizmayla eksik kaldığına bağlıdır. Literatürde üç temel tür tanımlanır:
- Tamamen rastgele kayıp (MCAR): Eksiklik ne gözlenen ne de gözlenmeyen değişkenlerle ilişkilidir. Örneğin formun bir sayfasının yanlışlıkla basılmaması.
- Rastgele kayıp (MAR): Eksiklik, veri setindeki diğer değişkenlerle ilişkilidir ancak eksik değerin kendisiyle ilişkili değildir. Örneğin yaşlı katılımcıların belirli bir soruyu daha sık boş bırakması.
- Rastgele olmayan kayıp (MNAR): Eksiklik, eksik değerin kendisiyle ilişkilidir. Örneğin yüksek gelirli katılımcıların gelir sorusunu yanıtlamaması.
SPSS’in Missing Value Analysis modülünde yer alan Little’ın MCAR testi, verilerin tamamen rastgele kayıp olup olmadığını sınar. Testin anlamlı çıkmaması (p > 0,05), eksikliğin tamamen rastgele olduğu varsayımını destekler.
Kayıp Veri Analizi Sonrası Hangi Yöntem Kullanılmalı?
| Yöntem | Açıklama | Değerlendirme |
|---|---|---|
| Liste bazında silme | Eksik değeri olan katılımcı analizden tamamen çıkarılır | Kayıp oranı düşük ve MCAR varsa uygundur |
| Çift bazında silme | Her analizde yalnızca ilgili değişkenlerdeki eksikler dışarıda bırakılır | Analizler arasında örneklem sayısı değişir |
| Ortalama ile doldurma | Eksik değer, değişkenin ortalamasıyla doldurulur | Varyansı yapay olarak düşürdüğü için önerilmez |
| Beklenti maksimizasyonu (EM) | Eksik değerler diğer değişkenlerden yinelemeli olarak tahmin edilir | MAR durumunda güçlü bir seçenektir |
| Çoklu atama | Birden fazla doldurulmuş veri seti oluşturulup sonuçlar birleştirilir | Güncel literatürde en çok önerilen yöntemlerdendir |
Kayıp oranı değişken başına %5’in altındaysa ve eksiklik rastgele görünüyorsa hangi yöntemin seçildiği sonuçları genellikle belirgin biçimde etkilemez. Kayıp oranı yükseldikçe yöntem seçimi daha belirleyici hale gelir.
Veri Temizleme Sürecinizi Uzmanlara Bırakın
Kayıp veri analizi, uç değer tespiti ve varsayım kontrolleriyle veri setiniz analize hazır hale gelsin. Ücretsiz teklif alın.
Uç Değer Analizi Nasıl Yapılır?
Tek Değişkenli Uç Değerler
Tek bir değişkendeki uç değerler, puanların z puanlarına dönüştürülmesiyle belirlenebilir. SPSS’te Analyze > Descriptive Statistics > Descriptives menüsünde Save standardized values as variables seçeneği işaretlenerek z puanları oluşturulur. Tabachnick ve Fidell’e göre mutlak değeri 3,29’un üzerindeki z puanları uç değer kabul edilir. Kutu grafikleri de uç değerleri görsel olarak fark etmenizi sağlar.
Çok Değişkenli Uç Değerler
Regresyon, faktör analizi ve yapısal eşitlik modellemesi gibi çok değişkenli analizlerde Mahalanobis uzaklığı kullanılır. SPSS’te regresyon menüsünün Save sekmesinden hesaplanan Mahalanobis değerleri, değişken sayısı serbestlik derecesi olmak üzere ki-kare tablosundaki p < 0,001 kritik değeriyle karşılaştırılır. Kritik değeri aşan katılımcılar çok değişkenli uç değer kabul edilir.
Uç Değerler Analizden Çıkarılmalı mı?
Uç değerlerin otomatik olarak silinmesi doğru bir yaklaşım değildir. Önce uç değerin veri girişi hatasından mı, katılımcının özensiz yanıtlamasından mı yoksa gerçek ve uç bir gözlemden mi kaynaklandığı incelenmelidir. Veri girişi hataları düzeltilmelidir. Özensiz doldurulduğu anlaşılan formlar analizden çıkarılabilir. Gerçek uç gözlemlerde ise analizi uç değerlerle ve uç değerler olmadan yapıp sonuçları karşılaştırmak önerilir. Hangi kararın neden verildiği tezde açıkça raporlanmalıdır.
Uç değerlerin normallik varsayımı üzerindeki etkisini normallik testi yazımızda, korelasyon katsayısı üzerindeki etkisini ise korelasyon analizi yazımızda ele aldık.
Kayıp Veri Analizi ve Veri Temizleme Nasıl Raporlanır?
Yöntem bölümünde ya da bulgular bölümünün başında toplanan form sayısı, kayıp veri oranları, kullanılan yöntem, belirlenen uç değer sayısı ve analizden çıkarılan katılımcılar gerekçeleriyle birlikte belirtilmelidir. Örneğin: “Toplanan 412 formdan özensiz doldurulduğu belirlenen 14 form analiz dışı bırakılmıştır. Kayıp veri oranı tüm değişkenlerde %3’ün altında olup Little’ın MCAR testi anlamlı bulunmamıştır (p = 0,28). Eksik değerler beklenti maksimizasyonu yöntemiyle doldurulmuştur. Mahalanobis uzaklığına göre belirlenen 6 çok değişkenli uç değer çıkarılmış ve analizler 392 katılımcı ile yürütülmüştür.”
Kayıp Veri Analizi Öncesinde Özensiz Yanıtların Belirlenmesi
Çevrim içi anketlerde dikkatsiz ya da rastgele doldurulan formlarla daha sık karşılaşılır. Tüm maddelere aynı seçeneğin işaretlenmesi, ters ifadeli maddelerle düz ifadeli maddeler arasında tutarsız yanıtlar verilmesi ve formun olağan dışı kısa sürede tamamlanması bu tür yanıtların belirtileri arasındadır. Bazı araştırmacılar ankete “Bu soruda lütfen ‘katılıyorum’ seçeneğini işaretleyiniz” gibi dikkat kontrol maddeleri ekleyerek özensiz yanıtları belirler.
Bu tür formların analiz öncesinde belirlenmesi, hem kayıp veri hem de uç değer sorunlarının bir bölümünü baştan çözer. Kullanılan ölçütler ve analiz dışı bırakılan form sayısı yöntem bölümünde raporlanmalıdır.
Veri Temizleme Sonrası Varsayım Kontrolleri
Kayıp veri ve uç değerlerin ele alınmasının ardından analizlerin varsayımları yeniden incelenmelidir. Uç değerlerin çıkarılması dağılımın biçimini değiştirebildiği için normallik değerlendirmesi temizlenmiş veri seti üzerinden yapılmalıdır. Ölçek toplam puanları da kayıp değerler ele alındıktan ve ters maddeler puanlandıktan sonra hesaplanmalıdır. Bu sıraya uymak, sık yapılan hataların önüne geçer. Bu konudaki diğer hataları veri analizi hataları yazımızda ele aldık.
Sık Sorulan Sorular
Kayıp veri oranı ne kadar olursa sorun olur?
Kesin bir sınır bulunmamakla birlikte %5’in altındaki oranlar genellikle ciddi bir sorun oluşturmaz. %10’un üzerindeki oranlarda ise yöntem seçimi ve kayıp mekanizması daha ayrıntılı incelenmelidir.
Çok sayıda maddesi boş olan formlar ne yapılmalı?
Maddelerin önemli bir bölümü boş bırakılmış formların analiz dışı bırakılması yaygın bir uygulamadır. Kullanılan ölçüt tezde belirtilmelidir.
Kayıp veri analizi için SPSS’in hangi modülü gerekir?
Little’ın MCAR testi, EM ve çoklu atama yöntemleri SPSS’in Missing Values modülü ile yapılır. Bu modülün kullanılan SPSS lisansında bulunup bulunmadığı kontrol edilmelidir.
Temiz Veri, Güvenilir Bulgular
Veri girişi kontrolünden kayıp veri ve uç değer analizine, tüm tez analizlerinize kadar SPSS ile uzman desteği alın.


İHTİYACINIZ NEDİR?
Akademik Redaksiyon
Akademik Çeviri
Tez Düzenleme
Redaksiyon
Proofreading
Veri Analizi