Pregătirea datelor: recodificare, calcul, selecție, combinare

Pe scurt

Pe pagina „Date”, „Editați datele” deschide șase asistenți: Recodificare, Calcul, Selectarea cazurilor (select cases), Combinare, Agregare și Cazuri duplicate (duplicate cases). Fiecare arată o previzualizare și comanda PSPP înainte de a fi aplicat. Rezultatul ajunge într-o coloană nouă; o coloană existentă este suprascrisă doar la alegere explicită. Fiecare pas poate fi retras dintr-o dată cu „Anulare” din antet. „Adăugați la Comenzi” pune comanda pe pagina „Comenzi”.

Valori lipsă

• O expresie precum a + b este goală îndată ce lipsește o valoare. Funcții precum MEAN(a, b), SUM, MIN și MAX folosesc în schimb valorile prezente.
• Pentru media mai multor coloane este suficientă o valoare validă (ca la construirea scalei după fiabilitate). Multe manuale recomandă pentru scale un minim, de exemplu jumătate dintre întrebări; acesta poate fi stabilit. Abaterea standard are nevoie de cel puțin două valori.
• Valorile marcate „fără răspuns” se numără ca lipsă.

Recodificare

Valorile vechi (o valoare, un interval, „fără răspuns”, gol) sunt înlocuite cu cele noi; se aplică prima regulă potrivită. Valorile fără regulă sunt păstrate, lăsate goale sau setate la o valoare. Previzualizarea numără vechiul față de nou. „Recodificare inversă a unui item” calculează valoare nouă = cea mai mică + cea mai mare − valoare veche, după aceeași regulă ca la construirea scalei; scala provine din etichetele de valori, altfel din date, și poate fi schimbată. În coloanele de text contează majusculele/minusculele și spațiile de la început; dacă valorile diferă doar prin acestea, Statable atrage atenția.

Asistentul „Recodificare” are și „Formați clase”: o coloană de numere este împărțită în clase de lățime egală (equal-width classes), clase cu număr egal de persoane sau clase cu limite proprii (vezi „Formarea claselor”).

Calculați

O formulă cu coloane, operatori, paranteze și funcțiile LN, EXP, SQRT, ABS și RND, sau media, suma, minimul, maximul și abaterea standard pentru mai multe coloane. „Doar dacă …” calculează numai pentru cazurile la care condiția este îndeplinită; celelalte rămân goale și sunt numărate separat în previzualizare. Dacă un împărțitor este 0, rezultatul este gol, și pentru 0 împărțit la 0. Previzualizarea arată primele zece cazuri și numără separat rezultatele goale: pe de o parte intrări lipsă, pe de altă parte erori de calcul (împărțire la 0, logaritm din 0 sau dintr-un număr negativ, rădăcină dintr-un număr negativ).

Selectarea cazurilor

Statable adaugă o coloană de selecție: 1 = condiție îndeplinită, 0 = neîndeplinită, gol = nu poate fi verificată deoarece lipsește o valoare. Poate fi folosită ca grup sau condiție; în mod deliberat nu există un filtru invizibil, pentru că nu fiecare calcul din Statable l-ar respecta. „Păstrați doar aceste cazuri” elimină definitiv celelalte cazuri (cu confirmare și cu număr) - inclusiv pe cele care nu pot fi verificate. Analizele din caiet care folosesc aceste date sunt apoi marcate ca depășite.

Combinare

• Adăugare de cazuri: al doilea fișier are aceleași coloane și este adăugat dedesubt. Coloanele sunt potrivite după nume; dacă una există într-un singur fișier, rămâne necompletată pentru celelalte cazuri. Un număr față în față cu text în aceeași coloană este blocat.
• Adăugare de coloane: printr-un identificator (persoană, clasă). „Un rând pe identificator în ambele fișiere” sau „mulți la unul” (mai multe persoane într-o clasă). Înainte de legare, Statable verifică dacă identificatorii apar de mai multe ori (blocat, cu o listă) și numără identificatorii fără pereche de ambele părți; la „mulți la unul” identificatorii doar din al doilea fișier lipsesc din rezultat; la „un rând pe identificator în ambele fișiere” sunt adăugați ca rânduri separate la sfârșit, cu coloanele primului fișier necompletate acolo (sunt păstrate toate cazurile din ambele fișiere). Coloanele cu același nume, în afară de identificator, primesc un nume nou (propunere: _2).
• Al doilea fișier poate fi SPSS, Stata, CSV sau Excel și rămâne pe dispozitiv.

Agregare

Indicatori statistici pe grup: cazurile din grup, valori valide, media, abaterea standard, mediana, minimul, maximul, suma. Fie ca coloane noi în date (fiecare persoană primește valoarea grupului ei, ordinea rândurilor se păstrează), fie ca proiect nou cu un rând pe grup; proiectul curent rămâne neschimbat. Cazurile fără valoare de grup formează un grup propriu. „Cazuri” numără toate cazurile grupului, „valori valide” doar valorile prezente într-o coloană; o mediană fără nicio valoare validă rămâne goală.

Cazuri duplicate

Sunt comparate toate coloanele sau cele alese (de exemplu identificatorul). Cazurile contează ca egale dacă se potrivesc, ignorând majusculele/minusculele și spațiile de la margine (se poate comuta la „exact egale”); numerele sunt comparate până la 15 cifre, iar é ca unul sau două caractere este același lucru. Se poate alege dacă o valoare lipsă este egală cu o valoare lipsă. Spațiile de la începutul unui text se pierd la deschiderea fișierelor .sav. Rezultatul este o coloană de marcare (0 = primul caz, 1 = repetare); cazurile sunt șterse doar la alegere explicită, cu confirmare.

Pentru specialiști

• Comenzi: RECODE, COMPUTE, IF, SELECT IF, ADD FILES, MATCH FILES, SORT CASES și AGGREGATE (sursa: manualul PSPP). Cazurile duplicate le calculează Statable singur, deoarece PSPP compară textul octet cu octet și numerele bit cu bit (0,1 + 0,2 ≠ 0,3).
• De ce există verificări prealabile: RECODE lasă intervalele și ELSE să prindă valorile lipsă definite de utilizator (un 9 pentru „fără răspuns” ar deveni valid); regula valorilor lipsă vine de aceea înaintea regulilor de valori. În PSPP 0/0 este 0 (Statable face din asta un rezultat gol), iar o comparație de text cu o celulă goală dă „fals” în loc de „necunoscut”. MATCH FILES elimină în tăcere identificatorii care sunt doar în al doilea fișier, împerechează greșit identificatorii dubli fără avertisment, leagă identificatori goi între ei, nu dă niciun mesaj pentru fișiere nesortate și elimină în tăcere o coloană a celui de-al doilea fișier cu același nume. AGGREGATE cu MODE=ADDVARIABLES formează pe date nesortate grupuri doar din cazuri consecutive, iar o mediană fără valoare validă este NaN.