คำกล่าวที่คุ้นเคยในวงการวิทยาศาสตร์ข้อมูลและสถิติคือ “Garbage In, Garbage Out” (หากนำข้อมูลขยะเข้าไป ผลลัพธ์ที่ออกมาก็เป็นขยะ) ต่อให้ผู้วิจัยจะใช้โมเดลสถิติขั้นสูงระดับโลกเพียงใด แต่ถ้าข้อมูลดิบที่ป้อนเข้าไปมีความผิดพลาด มีค่าผิดปกติ หรือข้อมูลไม่สมบูรณ์ ผลการวิเคราะห์ที่ได้ก็จะไม่สามารถนำไปใช้งานจริงได้
การทำ “การเตรียมข้อมูลเพื่อการวิเคราะห์” (Data Preparation & Data Cleaning) จึงเป็นขั้นตอนสำคัญที่ต้องทำก่อนการกดรันคำสั่งสถิติใดๆ ใน SPSS เสมอ
🧹 1. การตรวจสอบความสมบูรณ์ของแบบสอบถาม (Screening)
ก่อนที่จะเริ่มคีย์ข้อมูลลงคอมพิวเตอร์ ควรทำการคัดกรองชุดแบบสอบถามดิบดังนี้:
- คัดแบบสอบถามที่ตอบไม่สมบูรณ์ออก: เช่น ตอบเพียงหน้าแรกแล้วทิ้งว่างหน้าหลัง หรือมีคำถามที่เว้นว่างเกิน 30-50%
- คัดแบบสอบถามที่ตอบแบบไม่มีคุณภาพ (Pattern Response): เช่น กาข้อ 5 รวดทุกข้อ หรือกาวนเป็นรูปซิกแซกโดยไม่ได้อ่านคำถาม
- รันหมายเลขกำกับแบบสอบถาม (ID): เขียนหมายเลข 001, 002, 003 บนหัวกระดาษทุกแผ่นให้ตรงกับแถวในคอมพิวเตอร์ เพื่อให้สามารถตรวจสอบย้อนหลังได้
❓ 2. การจัดการข้อมูลสูญหาย (Missing Values)
ในงานวิจัยจริง เป็นเรื่องธรรมดาที่ผู้ตอบแบบสอบถามอาจเผลอข้ามบางข้อ หรือไม่ต้องการตอบคำถามบางเรื่อง (เช่น รายได้จริง) ใน SPSS เราสามารถจัดการได้ดังนี้:
- การกำหนด System Missing: หากเว้นว่างไว้ โปรแกรมจะใส่จุด `.` ซึ่งหมายถึงไม่มีข้อมูลในช่องนั้น
- การกำหนด User-Defined Missing: เราสามารถกำหนดรหัสเฉพาะในช่อง Missing ของ Variable View ได้ เช่น กำหนดให้เลข `9` หรือ `99` หมายถึง “ไม่ตอบ/ไม่มีข้อมูล” เพื่อไม่ให้โปรแกรมนำตัวเลขนี้ไปบวกเป็นค่าเฉลี่ย
- เทคนิคทางสถิติ: หากข้อมูลสูญหายมีปริมาณน้อย (ไม่เกิน 5%) อาจใช้วิธีแทนที่ด้วยค่าเฉลี่ย (Mean Substitution) หรือหากข้อมูลหายมากในตัวแปรสำคัญ อาจพิจารณาตัดเคสนั้นออก (Listwise Deletion)
🚨 3. การตรวจจับค่าที่อยู่นอกเกณฑ์ (Outliers & Data Errors)
ความผิดพลาดจากการพิมพ์ (Typo) เกิดขึ้นได้ง่ายมาก เช่น อายุผู้ตอบแบบสอบถามควรเป็น 25 ปี แต่พิมพ์พลาดเป็น 250 ปี หรือคะแนนเต็ม 5 แต่พิมพ์เป็น 55
วิธีการตรวจสอบอย่างรวดเร็วใน SPSS:
- ใช้คำสั่ง Analyze > Descriptive Statistics > Frequencies เพื่อดูตารางแจกแจงความถี่ของทุกตัวแปร หากมีค่าแปลกปลอมเกินช่วงที่กำหนด จะเห็นตัวเลขโผล่ขึ้นมาทันที
- ใช้คำสั่ง Explore (Boxplot): เพื่อสร้างแผนภาพกล่อง หากมีจุดข้อมูลที่อยู่ห่างจากกลุ่มมากๆ (Outlier) โปรแกรมจะแสดงเลข Case ID ให้เราเข้าไปตรวจสอบและแก้ไขได้ทันที
🔄 4. การแปลงสภาพและสร้างตัวแปรใหม่ (Data Transformation)
ในหลายกรณี ข้อมูลดิบยังไม่พร้อมนำไปรันสถิติทดสอบ เราต้องใช้คำสั่งในเมนู Transform เพื่อเตรียมข้อมูล:
- Compute Variable: ใช้สร้างตัวแปรใหม่จากการคำนวณ เช่น รวมคะแนนแบบสอบถาม 5 ข้อ ให้เป็นตัวแปรคะแนนรวม (`Total_Score = Q1 + Q2 + Q3 + Q4 + Q5`) หรือหาค่าเฉลี่ย
- Recode into Different Variables: ใช้แปลงค่าตัวแปร เช่น แปลงคำถามเชิงลบ (Reverse Score) จาก 5 เป็น 1 หรือแปลงตัวแปรอายุต่อเนื่อง ให้เป็นกลุ่มช่วงอายุ (เช่น 1 = วัยรุ่น, 2 = วัยทำงาน, 3 = วัยเกษียณ)
🎯 สรุป
การสละเวลาเตรียมข้อมูลและคลีนนิ่งข้อมูลให้สะอาดและเป็นระเบียบเรียบร้อย อาจกินเวลาถึง 50-70% ของกระบวนการวิจัยทั้งหมด แต่เป็นขั้นตอนที่คุ้มค่าที่สุด เพราะช่วยรับประกันว่าผลการวิเคราะห์สถิติที่จะเกิดขึ้นในขั้นตอนต่อไปนั้นถูกต้อง แม่นยำ และน่าเชื่อถืออย่างแท้จริงครับ
