Thành thạo làm sạch dữ liệu SPSS với 3 cách cực đơn giản dễ thực hiện

Chỉ một vài sai sót nhỏ trong quá trình nhập liệu, tổng hợp nội dung đôi khi sẽ thành lỗ hổng to lớn khiến bạn không thể nào đạt được kết nghiên cứu, phân tích như mong muốn. Làm sao để phát hiện, làm sạch dữ liệu sai sót ấy trong nhiều rất nhiều giá trị đang hiện hữu. Cùng Luận văn 1080 tham khảo ngay bài viết sau đây.

1. Sơ lược về làm sạch dữ liệu

• Làm sạch dữ liệu được hiểu là quá trình điều chỉnh hoặc loại bỏ những dữ liệu không chính xác, sai định dạng, trùng lặp, không đầy đủ trong tập dữ liệu.
• Bên cạnh đó, việc làm sạch dữ liệu sẽ giúp chúng ta có thể sửa thông tin không chính xác trong tập dữ liệu và giảm các bản sao.
• Làm sạch dữ liệu trong SPSS cũng tương tự thế, là quá trình thanh lọc những dữ liệu không mong muốn ra khỏi tập dữ liệu hoặc cơ sở dữ liệu. Quá trình này sẽ giúp câu trả lời đáng tin cậy hơn và kết quả đầu ra đạt tiêu chuẩn.

2. Tác dụng của làm sạch dữ liệu

Việc làm sạch dữ liệu sẽ mang đến những tác dụng to lớn như:

• Làm sạch dữ liệu cho phép bạn đưa ra những thông tin đảm bảo chất lượng và độ tin cậy phục vụ cho quá trình phân tích, đưa ra quyết định.
• Giúp hoạt động đưa quyết định nhanh và hiệu quả hơn thông qua những thông tin rõ ràng, chính xác.
• Tiết kiệm thời gian và chi phí cho các hoạt động khảo sát tìm kiếm thông tin khách hàng, tăng năng suất của nhân viên và hoạt động của doanh nghiệp.
• Tăng kết quả và doanh thu, xác định đối tượng triển vọng dễ dàng hơn.
• Hợp lý hóa thực tiễn kinh doanh thông qua các hoạt động phân tích, tổng hợp tài liệu chất lượng để tìm cơ hội tung ra sản phẩm kinh doanh hoặc dịch vụ mới.

3. 5 bước làm sạch dữ liệu

3.1. Loại bỏ những dữ liệu không liên quan, trùng lặp

• Loại bỏ những dữ liệu không liên quan là bước quan trọng giúp xóa các quan sát không mong muốn khỏi tập dữ liệu của bạn.
• Chúng bao gồm các quan sát trùng lặp hoặc quan sát không liên quan.
• Các quan sát trùng lặp: Các dữ liệu liệu trùng lặp khi thu thập từ khách hàng, nhiều phòng ban, nhiều nguồn khác nhau…
• Các quan sát không liên quan: là những quan sát không phù hợp với vấn đề bạn cố gắng phân tích.

3.2. Tiến hành sửa dữ liệu mắc lỗi cấu trúc

• Khi bạn đo lường hoặc di chuyển dữ liệu và nhận thấy rằng các cấu trúc đặt tên lạ, mắc lỗi chính tả, viết hoa không đúng. Những vấn đề này có thể khiến các danh mục hoặc lớp bị gắn nhãn sai.
• Chẳng hạn: bạn sẽ bắt gặp “N/A” và “Không áp dụng (Not Applicable)” đều xuất hiện, nhưng đúng ra chúng phải được phân tích thành cùng một danh mục.

3.3. Bỏ những dữ liệu không phù hợp

• Trường hợp cần thiết, chúng ta có thể xóa một dữ liệu ngoại lai nếu như chúng không phù hợp với dữ liệu mà bạn đang phân tích.
• Việc xóa dữ liệu không phù hợp sẽ giúp làm tăng chất lượng dữ liệu của bạn. Tuy nhiên, bạn cần lưu ý rằng sự xuất hiện của dữ liệu ngoại lai cũng có thể chứng minh cho một lý thuyết mà bạn đang nghiên cứu. 
• Chính vì thế, bạn cần lưu ý rằng: một ngoại lai tồn tại, không có nghĩa là nó vô nghĩa, không chính xác. Bước “Bỏ những dữ liệu không phù hợp” rất cần thiết để xác định tính hợp lệ của giá trị này. Nếu giá trị ngoại lệ được chứng minh không phù hợp thì chúng ta có thể loại bỏ chúng để làm sạch dữ liệu SPSS.

3.4. Xử lý những dữ liệu bị thiếu

Nhiều thuật toán sẽ không chấp nhận các giá trị bị thiếu nên bạn cần khắc phục vấn đề này. Hãy tham khảo ngay 3 cách xử lý dữ liệu bị thiếu dưới đây.

• Cách 1. Xóa các quan sát có giá trị bị thiếu. Tuy nhiên, điều này sẽ dẫn đến việc loại bỏ hoặc mất thông tin nghiên cứu. Do đó, bạn hãy cân nhắc kỹ lưỡng trước khi loại bỏ giá trị.
• Cách 2. Bạn có thể thêm các giá trị còn thiếu dựa trên những số liệu thống kê khác đã thu thập. Nhưng dữ liệu của bạn sẽ bị mất tính toàn diện vì chúng được thêm vào dựa trên giả định cá nhân của riêng bạn, không đúng theo quan sát thực tế.
• Cách 3. Bạn có thể thay đổi các dữ liệu được sử dụng vào “null values” - vô giá trị một cách hiệu quả. 

3.5. Xác thực hoàn tất dữ liệu

• Sau khi hoàn thành quy trình làm sạch dữ liệu, bạn cần trả lời những câu hỏi dưới đây như một phần của quá trình xác thực cơ bản.
  • Dữ liệu có ý nghĩa không?
  • Có tuân theo các quy tắc thích hợp cho trường của nó không? 
  • Việc này có chứng minh, bác bỏ mô hình bạn đang sử dụng hay đưa bất kỳ sự thật ngầm hiểu nào không?
  • Bạn có thấy xu hướng trong dữ liệu được làm sạch có giúp hình thành lý thuyết tiếp theo của bạn không?
  • Nếu không thì chúng có phải do vấn đề về chất lượng dữ liệu?

Có thể nói, làm sạch dữ liệu có tác động rất lớn đến nhiều hoạt nghiên cứu và phân tích, có thể kể đến như phân tích nhân tố khám phá EFA. Và nhân tố khám phá EFA có thể được sử dụng trong hồi quy đa biến, CFA, mô hình Logit, để đánh giá độ tin cậy của mô hình,... Điều này cho thấy, EFA có vai trò rất quan trọng khi thực hiện nghiên cứu. Để nắm vững nội dung này, bạn hãy tham khảo ngay bài viết được đăng tại Luận văn 1080 để được cung cấp nội dung chi tiết.

4. 3 phương pháp làm sạch dữ liệu trong SPSS

4.1. Dùng bảng tần số

• Lập bảng tần số cho tất cả các biến, đọc soát để tìm các giá trị khác lạ.
• Tại các biến có dữ liệu lỗi, sử dụng lệnh tìm kiếm/thay thế Find and Replace để tìm giá trị lỗi và chỉnh sửa.

Bước 1. Nhấp vào Analyze, Descriptive Statistics, sau đó Frequencies.

• Bước 2. Tại giao diện Frequencies, bạn nhấp vào tên biến mà bạn đang kiểm tra và di chuyển nó vào hộp Variable. Trong ví dụ này, chúng tôi sẽ chọn gender[gender]

• Bước 3. Nhấp vào OK. Bạn sẽ thấy màn hình cửa sổ mới. Bạn sẽ trong bảng có 3 loại nhãn là female, Female, Male. Nhãn “female” có Frequency (tần số) là 1 được xem là giá trị khác lạ, không trong trong phân tích nghiên cứu. Nhãn này xuất hiện có thể do trong quá trình đánh máy, nhập liệu đã xảy ra lỗi.
• Chúng ta sẽ tiến hành chỉnh sửa, làm sạch dữ liệu trong SPSS,  bằng cách dùng lệnh Find and Replace để tìm “female” và đổi thành “Female”.

Sau bước làm sạch dữ liệu thì gộp biến là nội dung đặc biệt quan trọng mà bạn cần phải thực hiện. Khi làm chủ nội dung này, bạn sẽ thực hiện phân tích thống kê dữ liệu một cách trơn tru, mượt mà hơn và kết quả có độ tin cậy cao. Tham khảo cách gộp biến trong SPSS để được hướng dẫn các bước làm chi tiết và những nội dung liên quan.

4.2. Dùng bảng kết hợp

• Cách làm sạch dữ liệu trong SPSS thông qua dùng bản kết hợp chính là dùng bảng kết hợp 2, 3 biến rồi dựa vào các quan hệ hợp lý để tìm ra lỗi. Chúng tôi sẽ hướng dẫn các bước thực hiện trong ví dụ dưới đây.
• Bước 1. Vào Data chọn Select Cases… 

• Bước 2. Khi màn hình hiện ra hộp thoại thì ta chọn If Condition is satisfied để nút If hiện ra và ấn vào.

• Bước 3. Nhập hàm vào khung điều kiện lọc. Sau khi đã nhập hàm xong, bạn tiếp tục nhấp vào nút Continue, sau đó chọn OK.
• Từ kết quả kết hợp các biến lại với nhau, bạn sẽ tiến hành so sánh và đối chiếu mối quan hệ giữa các biến này để phát hiện ra lỗi và tiến hành chỉnh sửa.

4.3. Dùng lệnh Sort case để tìm dữ liệu sau trên cửa sổ Data View

• Bạn có thể sử dụng cách làm sạch dữ liệu trong SPSS bằng lệnh Sort case để tìm những lỗi đơn thuần ngay trên hành lang cửa sổ dữ liệu (Data View)
• Các bước thao tác lệnh Sort case được hướng dẫn như sau.
• Bước 1. Vào Data chọn  Sort Cases…, 

• Bước 2. Trong giao diện cửa sổ mới, bạn cần chọn biến bên trái để đưa vào khung Sort by, tại  SortOrder ta chọn Ascending và ấn OK để nhận kết quả. 
• Sau khi lọc dữ liệu xong, bạn tiến hành chỉnh sửa những giá trị bị sai thành giá trị đúng theo quy chuẩn.

Trong khi làm sạch dữ liệu giúp tài liệu trở nên có độ tin cậy và chất lượng hơn thì cronbach's alpha sẽ cho phép bạn tiến hành phân tích, đánh giá độ tin cậy của thang đo và loại bỏ bớt những biến không phù hợp trong đề tài nghiên cứu. Điều này sẽ giúp tăng độ tin cậy của dữ liệu được đưa vào. Tham khảo bài viết tại website Luận văn 1080 giúp bạn biết được “tất tần tật” về Cronbach’s alpha.

5. Biện pháp ngăn ngừa lỗi dữ liệu

• Từ giai đoạn đầu của quá trình nghiên cứu, bạn cần thiết kế bảng hỏi rõ ràng, dễ hiểu, có thể sử dụng “câu hỏi gài” và “câu hỏi đảo ngược đáp án” .
• Thực hiện khảo sát sơ bộ để đưa ra các điều chỉnh cần thiết trước khi đi vào khảo sát chính thức quy mô lớn. Từ đó, bạn sẽ tiết kiệm rất nhiều thời gian, công sức và chi phí và tránh làm dữ liệu bị lỗi.
• Lựa chọn người trả lời một cách chọn lọc, bạn cần chọn những người có thái độ hợp tác, để họ có thể đưa ra đáp án chính xác mà bạn cần.
• Chọn lọc phỏng vấn viên, điều tra phỏng vấn thử trước khi thực hiện phỏng vấn thật nhằm thu được chất lượng phỏng vấn tốt nhất.
• Bảng khảo sát sau khi thu về, cần phải được rà soát lỗi, chỉnh sửa trước khi tiến hành nhập liệu nhằm tránh những sai sót không đáng có

6. Câu hỏi thường gặp

• Dữ liệu bị lỗi sẽ ảnh hưởng như thế nào?
  • Nếu dữ liệu không được làm sạch, dữ liệu bị lỗi sẽ khiến cho kết quả phân tích, đánh giá bị sai lệch và ảnh hưởng đến quá trình ra quyết định. Do đó, làm sạch dữ liệu được xem việc không thể thiếu.
• Tầm quan trọng của dữ liệu sạch là gì?
  • Làm sạch dữ liệu là bước quan trọng cần được thực hiện trước khi tiến hành bất cứ bước phân tích nào. Vì được thu thập nhiều nguồn khác nhau, đồng nghĩa với việc sẽ có những dữ liệu dư thừa hoặc trùng lặp. Điều này sẽ dẫn đến kết quả nghiên cứu hoặc quá trình phân tích dữ liệu bị sai lệch.
• Có những kỹ thuật nào phát hiện điểm dữ liệu chưa sạch?
  • Trên excel
  • Bạn có thể sắp xếp dữ liệu từ lớn đến nhỏ hoặc ngược lại. Lúc này giá trị bị khuyết sẽ bị dồn lên dưới cùng hoặc trên cùng.
  • Chọn các cột cần lọc và nhấn tổ hợp phím CTRL + L rồi tiến lọc data theo từng cột. Sau đó copy ra một bảng mới.
  • Trên SPSS
  • Dùng bảng tần số
  • Dùng bảng kết hợp
  • Dùng lệnh Select case để tìm dữ liệu sau trên cửa sổ Data View
  • Các hướng dẫn chi tiết của các kỹ thuật này đã được chúng tôi giới thiệu trong bài viết.
• Dữ liệu chất lượng mang những đặc điểm nào?
  • Dữ liệu chất lượng trong quy trình làm sạch dữ liệu thường mang những đặc điểm dưới đây:
  • Accuracy (Sự chính xác): Các thông tin thu thập được phải có độ chính xác, phục vụ quá trình nghiên cứu và phân tích.
  • Completeness (Sự hoàn chỉnh): Dữ liệu phải đáp ứng được nhu cầu và mong đợi của tổ chức, không chứa các trường trống hoặc không đầy đủ.
  • Validity (Tính hiệu lực): Đề đến quá trình thu thập tài liệu, các điểm dữ liệu có định dạng chính xác, đúng loại và các giá trị nằm trong phạm vi cho phép.
  • Consistency (Tính nhất quán): Các điểm dữ liệu tương ứng phải nhất quán về kiểu dữ liệu, nội dung và định dạng.
  • Timeliness (Tính kịp thời): Dữ liệu được thu thập càng sớm càng tốt. Vi theo thời gian, dữ liệu sẽ giảm độ tin cậy.

Bài viết đã giới thiệu đến bạn những cách làm sạch dữ liệu cụ thể và chi tiết nhất. Hy vọng bạn sẽ áp dụng thành công trong bài nghiên cứu của mình. Nếu bạn còn bất cứ thắc mắc nào liên quan đến nội dung trên hãy liên hệ với chúng tôi, Luận văn 1080 để được hỗ trợ.