קובץ נתונים למחקר מוכן לניתוח סטטיסטי כאשר שאלת המחקר והמשתנים מוגדרים, לכל רשומה יש מזהה עקבי, כל תא מכיל ערך אחד, הקידוד והיחידות מתועדים, והחסרים והחריגים מסומנים בלי לשנות את קובץ המקור. הכללים האלה רלוונטיים למחקר רפואי, אקדמי, חברתי ויישומי. קובץ שנפתח היטב ב-Excel עדיין עלול להכיל בעיות שישנו את מספר התצפיות, את חלוקת הקבוצות או את משמעות המשתנים.
המטרה אינה רק לסדר את הקובץ מבחינה חזותית. סטטיסטיקאי צריך להבין מה נאסף, ממי או ממה, מתי, באילו יחידות ובאיזו שיטה. ככל שהמידע הזה ברור לפני הניתוח, כך מצטמצמים הבירורים החוזרים והסיכון לקבל החלטה מחקרית מתוך אילוץ טכני.
למה לא מתחילים ישר מהבדיקה הסטטיסטית?
לפני שבוחרים מבחן, מודל או תוכנה, צריך לזהות את יחידת התצפית ואת הקשר בין השורות. האם כל שורה מייצגת אדם, ארגון, שאלון, ביקור, מדידה, מוצר או דגימה? האם אותה יחידה מופיעה פעם אחת או במספר נקודות זמן? האם הנתונים נאספו באותו אופן בכל הקבוצות?
אלה אינן שאלות טכניות בלבד. הן משפיעות על בחירת שיטת הניתוח ועל האופן שבו ניתן לפרש את התוצאות. לכן ייעוץ סטטיסטי למחקר רפואי ואקדמי מתחיל בחיבור בין שאלת המחקר, שיטת האיסוף ומבנה הנתונים.
1. האם שאלת המחקר והמשתנים העיקריים כתובים במפורש?
התחילו במשפט אחד שמגדיר מה נבדק, באיזו אוכלוסייה או מערכת, ומהי התוצאה המרכזית. אחריו רשמו אילו משתנים מייצגים את התוצאה, החשיפה או ההתערבות, קבוצות ההשוואה והגורמים שעשויים להשפיע על הקשר. אם קיימות כמה נקודות זמן, ציינו איזו מהן עיקרית.
קובץ עשוי להכיל מאות עמודות, אבל רק חלק מהן עונות על שאלת המחקר. הגדרה מוקדמת מונעת מצב שבו בוחרים את הניתוח לפי מה שקל למצוא בקובץ. גם הנחיות דיווח למחקרים תצפיתיים מזכירות את החשיבות של הגדרת תוצאות, חשיפות, מנבאים, גורמים מתערבים ומקורות המדידה, אך לצורך הכנת הקובץ די להתחיל מהשאלה ומהמשתנים שלכם.
2. האם נשמר קובץ המקור והוסרו פרטים מזהים מקובץ הניתוח?
אל תנקו את העותק היחיד. שמרו גרסת מקור ללא שינוי וצרו עותק עבודה מתוארך. כל תיקון יחידה, איחוד קטגוריות או יצירת משתנה מחושב צריך להיות מתועד כך שאדם אחר יוכל להבין מה השתנה ולשחזר את הפעולה.
בקובץ שמועבר לניתוח אין לכלול שם, מספר זהות, טלפון, כתובת או פרט מזהה אחר שאינו דרוש לעבודה. כאשר נדרש מפתח שמחבר בין קוד המחקר לזהות המקורית, שומרים אותו בנפרד ובהתאם לאישורים, למדיניות הארגון ולדין החל על המחקר.
3. האם לכל יחידת מחקר ולכל תצפית יש מזהה עקבי?
העמודה הראשונה יכולה לשמש כמזהה מחקרי עקבי, אך הוא אינו חייב להיות מספר סדרתי דווקא. העיקר הוא שכל יחידה תקבל קוד יציב שאינו חושף את זהותה ושלא משתנה במהלך העבודה. כך אפשר לזהות כפילויות ולחבר בין טבלאות בלי להסתמך על שם או פרט אישי.
במחקר עם מדידות חוזרות נדרשים בדרך כלל שני רבדים: מזהה של היחידה ומזהה של הביקור, המדידה או נקודת הזמן. אם שתי שורות חולקות את אותו שילוב מזהים, צריך לברר אם מדובר בכפילות, בשתי מדידות תקפות או בטעות. לא מוחקים לפני שמבינים.
4. האם כל שורה, עמודה ותא מייצגים דבר אחד ברור?
במבנה נתונים מסודר, כל משתנה נמצא בעמודה, כל תצפית בשורה וכל ערך בתא. זהו העיקרון שהציג הדלי ויקהאם במאמר Tidy Data. הוא אינו מחייב שכל מחקר יישמר בטבלה אחת, אבל הוא עוזר לזהות ערבוב בין כותרות, סיכומים ונתוני מקור.
אם תא מכיל שני ערכים שיידרשו בנפרד בניתוח, יש לפצל אותם לשתי עמודות. לדוגמה, במקום לשמור לחץ דם כ-120/80 בתא אחד, משתמשים בעמודה סיסטולית ובעמודה דיאסטולית. אין להשתמש בצבע רקע, בהדגשה או בשורה מוסתרת כדי לשמור מידע מחקרי, משום שהתוכנה והסטטיסטיקאי עלולים לא לזהות אותו.
5. האם שמות המשתנים והקודים מובנים גם לאדם שלא בנה את הקובץ?
שמות עמודות צריכים להיות קצרים, עקביים וחד-משמעיים. כאשר סביבת העבודה דורשת שמות באנגלית, אפשר להשתמש בפורמט כמו age_months, weight_kg או bmi_first_assessment. חשוב יותר לשמור על שיטה אחידה מאשר לבחור פורמט שנראה מסודר רק לעורך הקובץ.
כאשר קטגוריות מיוצגות במספרים, מצרפים מקרא או מילון נתונים. אין דרך בטוחה לנחש אם 0 פירושו "לא", "קבוצת ביקורת" או "לא ידוע". מילון טוב כולל את שם המשתנה, הגדרה, סוג הנתון, יחידת המדידה, ערכים מותרים, משמעות הקודים וכלל החישוב של משתנים נגזרים. מדריך Open Science Framework מציג את המרכיבים הבסיסיים של מילון נתונים שניתן לשימוש חוזר.
6. האם הקידוד, היחידות, התאריכים והחסרים עקביים?
עברו על כל משתנה ובדקו שהוא משתמש באותו פורמט לאורך הקובץ. ערבוב בין 1/0, כן/לא ו-Y/N באותה עמודה עלול לגרום לסיווג שגוי. כך גם ערבוב בין קילוגרמים לגרמים, בין אחוזים לשברים עשרוניים או בין פורמטים שונים של תאריך.
אפס אינו ערך חסר. אפס עשוי לייצג היעדר של תופעה שנמדדה, בעוד שחסר אומר שהמידע לא התקבל, לא בוצע או אינו רלוונטי. גם קוד כמו 999 אינו כלל אוניברסלי: בחלק מהתוכנות הוא עלול להיקרא כערך מספרי אמיתי. יש להחליט על שיטת סימון חסרים בהתאם לתוכנה ולתוכנית הניתוח, ולתעד את המשמעות במילון הנתונים.
7. האם נבדקו כפילויות, ערכים בלתי אפשריים וסתירות?
בדיקות האיכות צריכות להתאים למחקר. דוגמאות פשוטות הן תאריך סיום שקדם לתאריך התחלה, גיל שלילי, ערך מחוץ לטווח האפשרי של כלי המדידה, אותה יחידה שמופיעה בשתי קבוצות או רשומה כפולה.
ערך חריג אינו בהכרח טעות. הוא יכול להיות מדידה אמיתית וחשובה. במקום למחוק אותו, מסמנים אותו לבדיקה וחוזרים למקור כאשר הדבר מותר ואפשרי. אם מתקבלת החלטה לתקן, להשאיר או להחריג, מתעדים את הסיבה. החלטות סטטיסטיות צריכות לנבוע מתכנון המחקר ומהנתונים, לא מהרצון להגיע לתוצאה מסוימת.
8. האם חבילת המסירה כוללת את הקובץ ואת ההקשר המחקרי?
סטטיסטיקאי אינו צריך לקבל רק קובץ Excel. כדי להבין מה הנתונים מייצגים ומה נדרש מהניתוח, מומלץ להעביר חבילת עבודה שכוללת:
- קובץ מקור שמור ללא שינוי וקובץ עבודה מסודר.
- מילון נתונים ומקרא לקודים.
- הצעת המחקר, הפרוטוקול או תיאור קצר של מטרת העבודה.
- שאלת המחקר והגדרת התוצאה העיקרית.
- טופס איסוף הנתונים או השאלון, כאשר הם רלוונטיים.
- הסבר על קבוצות, נקודות זמן, יחידות ומשתנים מחושבים.
- רשימת שאלות פתוחות והחלטות שכבר התקבלו.
אם המחקר מיועד לתזה, לדוקטורט או למאמר, כדאי לצרף גם את דרישות המוסד או כתב העת כאשר הן כבר ידועות. כך הניתוח מתוכנן בהתאם לתוצר הנדרש ולא מנותק ממנו.
צ'קליסט קצר לפני שמעבירים את קובץ הנתונים
- הקובץ אינו מכיל פרטים אישיים שאינם נחוצים לניתוח.
- נשמר עותק מקור ללא שינוי ונוצר עותק עבודה נפרד.
- לכל יחידת מחקר יש מזהה עקבי.
- כל שורה מייצגת תצפית מוגדרת וכל עמודה מייצגת משתנה אחד.
- בכל תא נמצא ערך אחד בלבד.
- אין מידע ששמור רק באמצעות צבעים, הערות או שורות מוסתרות.
- שמות המשתנים, היחידות והקודים עקביים.
- אפס, חסר ולא רלוונטי אינם משמשים בערבוביה.
- מצורפים מילון נתונים, שאלת המחקר והצעת המחקר כאשר היא קיימת.
סימנים שהקובץ עדיין לא מוכן
| מה רואים בקובץ | מה צריך לעשות לפני הניתוח |
|---|---|
| אין מזהה עקבי | להגדיר את יחידת התצפית ואת שיטת הזיהוי |
| משמעות הקודים נשמרה בזיכרון של אדם אחד | ליצור מילון נתונים ולתעד ערכים מותרים |
| אפס, תא ריק ו-999 משמשים בערבוביה | להגדיר במפורש מהו ערך אמיתי ומהו חסר |
| תא אחד מכיל כמה ערכים | לפצל למשתנים נפרדים בהתאם לצורך האנליטי |
| צבעים, הערות או שורות מוסתרות מכילים מידע | להעביר את המידע לעמודות מפורשות |
| יש כמה קובצי "סופי" | לקבוע מקור, עותק עבודה והיסטוריית גרסאות |
| חריגים או כפילויות כבר נמחקו | לחזור למקור ולתעד כל החלטה |
מתי כדאי לערב סטטיסטיקאי?
הזמן הטוב ביותר הוא לפני סיום הצעת המחקר והאיסוף, כאשר עוד אפשר לחדד את שאלת המחקר, המשתנים, נקודות הזמן וגודל המדגם. אם הנתונים כבר נאספו, כדאי לפנות לפני ניקוי אגרסיבי, איחוד קטגוריות או בחירת בדיקות לפי התוצאות שנראות בקובץ.
במחקר רפואי או קליני נדרש לעיתים ליווי ביוסטטיסטי שמחבר בין הפרוטוקול, מבנה הנתונים, תוכנית הניתוח והצגת הממצאים. במחקרים אקדמיים מתחומים נוספים, אותו עיקרון חל באמצעות ייעוץ סטטיסטי שמותאם לשאלת המחקר ולדרישות העבודה.
לפני שמעבירים את הקובץ
עברו על שמונה הבדיקות ושמרו רשימה של הדברים שעדיין אינם ברורים. קובץ טוב אינו קובץ שאין בו חסרים או חריגים, אלא קובץ שבו ברור מה כל ערך מייצג, מה מקורו ומה נעשה איתו.
אם יש לכם קובץ נתונים למחקר ואתם רוצים להבין מה חסר לפני הניתוח, אפשר להתחיל בבדיקה משותפת של שאלת המחקר, מבנה הקובץ והתוצר הנדרש. כך אפשר להחליט מה צריך לתקן לפני שמתחילים לעבוד על התוצאות.
