Dữ liệu khảo sát hiếm khi "sạch" ngay khi thu về. Phiếu bỏ trống câu hỏi, người trả lời chọn cùng một mức cho mọi câu, câu hỏi nghịch chưa đảo mã hay giá trị nhập sai đều có thể làm sai lệch Cronbach's Alpha, EFA và hệ số hồi quy. Làm sạch dữ liệu khảo sát là bước bắt buộc trước mọi phân tích. Bài viết hướng dẫn sáu việc cụ thể: kiểm tra phạm vi giá trị, xử lý dữ liệu thiếu, đảo mã câu hỏi nghịch trên thang đo Likert, phát hiện trả lời một chiều, phát hiện ngoại lai đa biến bằng khoảng cách Mahalanobis và ghi nhật ký làm sạch.
1. Kiểm tra phạm vi và kiểu dữ liệu
Với thang Likert 5 điểm, mọi giá trị phải nằm trong 1-5. Chạy thống kê mô tả (Min, Max) cho tất cả biến: giá trị 0, 6, 55 thường là lỗi nhập liệu hoặc mã "không trả lời" chưa được khai báo là giá trị thiếu. Kiểm tra thêm các biến nhân khẩu học: tuổi 180, thu nhập âm là lỗi cần sửa theo phiếu gốc hoặc chuyển thành giá trị thiếu. Trong Stata dùng summarize và tabulate; trong R dùng summary(); trên ResearchSTAT, trang Dữ liệu hiển thị hồ sơ từng biến gồm giá trị nhỏ nhất, lớn nhất và số giá trị thiếu.
2. Xử lý dữ liệu thiếu
Trước khi xử lý, cần trả lời hai câu hỏi: thiếu bao nhiêu và thiếu theo kiểu nào.
- Mức độ: Hair và cộng sự (2019) cho rằng dưới 10% giá trị thiếu ở một biến hoặc một phiếu thường có thể xử lý bằng hầu hết các phương pháp, nếu thiếu ngẫu nhiên. Phiếu bỏ trống trên 50% câu hỏi thường nên loại.
- Kiểu thiếu (Little và Rubin, 2019): hoàn toàn ngẫu nhiên (MCAR), ngẫu nhiên có điều kiện theo biến khác (MAR), hay không ngẫu nhiên (MNAR, ví dụ người không hài lòng bỏ qua câu hỏi về hài lòng). Kiểm định MCAR của Little (1988) giúp đánh giá giả định MCAR.
Phương pháp xử lý phổ biến:
- Loại theo danh sách (listwise): mặc định của SPSS, Stata, R; đơn giản nhưng giảm cỡ mẫu và có thể gây chệch nếu không phải MCAR.
- Trung bình của các câu còn lại trong thang đo: dùng khi một phiếu chỉ thiếu ít câu trong thang nhiều câu; cách làm phổ biến khi tính biến đại diện.
- Thay bằng trung bình cột: dễ nhưng làm giảm phương sai và tương quan; không nên dùng khi thiếu nhiều (Schafer và Graham, 2002).
- Đa phép gán (multiple imputation) hoặc FIML: phương pháp được khuyến nghị khi dữ liệu MAR; FIML có sẵn trong lavaan với
missing = "fiml".
3. Đảo mã câu hỏi nghịch
Câu hỏi nghịch (reverse-worded) được dùng để giảm thiên lệch đồng ý, ví dụ "Tôi thường gặp khó khăn khi sử dụng dịch vụ" trong thang đo sự thuận tiện. Trước khi tính Alpha hay trung bình, phải đảo mã để mọi câu cùng chiều. Với thang k điểm, giá trị mới = (k + 1) - giá trị cũ; thang 5 điểm là 6 - x.
Dấu hiệu quên đảo mã: tương quan biến - tổng âm trong bảng Cronbach's Alpha hoặc hệ số tải âm trong EFA. Trong Stata: replace TT3 = 6 - TT3; trong R: data$TT3 <- 6 - data$TT3. Trên ResearchSTAT, khi nhận diện thang đo, hệ thống tự đảo mã các câu có hệ số tải âm và lưu thay đổi thành phiên bản dữ liệu mới có lịch sử, nên bạn luôn quay lại được dữ liệu gốc.
4. Phát hiện trả lời một chiều (straight-lining)
Người trả lời thiếu chú tâm thường chọn cùng một mức cho mọi câu ("đồng ý" từ đầu đến cuối). Những phiếu này làm tăng giả tạo tương quan và Cronbach's Alpha. Meade và Craig (2012) đề xuất nhiều chỉ báo, trong đó dễ dùng nhất là:
- Độ lệch chuẩn trong phiếu: SD của các câu Likert trong cùng phiếu gần 0 là dấu hiệu trả lời một chiều, đặc biệt khi bảng hỏi có câu nghịch.
- Chuỗi trả lời giống nhau dài nhất (long-string).
- Thời gian làm bài quá ngắn so với số câu hỏi (khảo sát trực tuyến).
- Câu kiểm tra chú ý, ví dụ "Hãy chọn Không đồng ý cho câu này".
Không loại phiếu chỉ dựa vào một chỉ báo; kết hợp ít nhất hai dấu hiệu và ghi rõ tiêu chí trong luận văn.
5. Ngoại lai đơn biến và đa biến
Ngoại lai đơn biến là giá trị cực đoan của một biến (với biến liên tục, |z| > 3 thường được xem xét). Với thang Likert 1-5, ngoại lai đơn biến hiếm có ý nghĩa; điều đáng quan tâm là ngoại lai đa biến: tổ hợp câu trả lời bất thường, ví dụ đánh giá chất lượng dịch vụ rất thấp nhưng hài lòng tuyệt đối.
Công cụ chuẩn là khoảng cách Mahalanobis D², đo khoảng cách của mỗi quan sát tới tâm dữ liệu có tính đến tương quan giữa các biến. D² tuân theo phân phối χ² với bậc tự do bằng số biến; quan sát có D² vượt giá trị tới hạn ở mức p < 0,001 được xem là ngoại lai đa biến (Tabachnick và Fidell, 2019).
Ngoại lai không tự động bị loại. Kiểm tra lại phiếu gốc: nếu do lỗi nhập, sửa lại; nếu là câu trả lời thật nhưng thiếu chú tâm, có thể loại kèm lý do; nếu là trường hợp thật và hợp lý, giữ lại và chạy phân tích độ nhạy (có và không có ngoại lai) để xem kết luận có thay đổi.
6. Ghi nhật ký làm sạch
Ghi lại mọi quyết định: số phiếu thu về, số phiếu loại theo từng lý do (thiếu nhiều, trả lời một chiều, ngoại lai), các câu đã đảo mã, phương pháp xử lý thiếu. Mục phương pháp của luận văn nên có một đoạn tóm tắt. Đoạn mẫu dưới đây dùng số liệu giả định:
Trong 412 phiếu thu về, 12 phiếu bị loại (5 phiếu bỏ trống trên 50% câu hỏi, 4 phiếu trả lời cùng một mức cho mọi câu Likert, 3 phiếu ngoại lai đa biến với khoảng cách Mahalanobis vượt χ²(4; 0,001) = 18,47). Mẫu phân tích chính thức gồm 400 phiếu. Câu TT3 được đảo mã trước khi tính Cronbach's Alpha.
Với Stata hoặc R, nhật ký chính là do-file hoặc script: lưu cùng dữ liệu gốc để có thể tái lập toàn bộ quá trình. Trên ResearchSTAT, công cụ Stata chạy các lệnh generate, replace, drop if, count if theo cú pháp Stata, còn công cụ R (RStudio) chạy script R; cả hai cho tải kết quả làm nhật ký.
Làm sạch dữ liệu có phải là "sửa" dữ liệu?
Không. Làm sạch là loại bỏ lỗi và dữ liệu không hợp lệ theo tiêu chí xác định trước, áp dụng như nhau cho mọi phiếu. Sửa dữ liệu để kết quả đẹp hơn, xóa phiếu "bất lợi" hay tự điền câu trả lời là vi phạm liêm chính học thuật. Xem thêm quy định liêm chính khi dùng dữ liệu và bài Cronbach's Alpha để biết bước tiếp theo sau khi dữ liệu đã sạch.
Bao nhiêu phần trăm dữ liệu thiếu thì chấp nhận được?
Dưới 10% ở mỗi biến, mỗi phiếu và thiếu ngẫu nhiên thường không gây vấn đề lớn (Hair và cộng sự, 2019). Nhiều hơn, hãy kiểm tra kiểu thiếu và dùng đa phép gán hoặc FIML.
Có nên thay giá trị thiếu bằng trung bình?
Chỉ khi thiếu rất ít. Thay bằng trung bình cột làm giảm phương sai và tương quan; nên dùng trung bình các câu còn lại của thang đo hoặc đa phép gán.
Phiếu trả lời một chiều có phải luôn loại?
Không. Nếu bảng hỏi không có câu nghịch, người thực sự rất hài lòng có thể chọn cùng một mức. Kết hợp với thời gian làm bài và câu kiểm tra chú ý trước khi quyết định.
Ngưỡng Mahalanobis lấy ở mức nào?
Thông lệ là p < 0,001 theo phân phối χ² với bậc tự do bằng số biến đưa vào tính (Tabachnick và Fidell, 2019).
