The second type of data cleaning is

The second type of data cleaning is more complicated. The logical structure of the data may place special limits on the responses of certain respondents. Contingency cleaning is the process of checking that only those cases that should have data on a particular variable do in fact have such data. For example, a questionnaire may ask for the number of children that women have had. All female respondents, then, should have a response coded (or a special code for failure to answer), but no male respondent should have an answer recorded (or should only have a special code indicating) the question is inappropriate to him). If a given male respondent is coded as having borne three children, either an error has been made and should be corrected or your study is about to become more famous than you ever dreamed.
Although data cleaning is an essential step in data processing, you can safely avoid it in certain cases. Perhaps you’ll feel you can exclude the very few errors that appear in a given item- if the exclusion of those cases will not significantly affect your results. Or, some inappropriate contingency responses may be safely ignored. If some men have been accorded motherhood status in the coding process, you can limit your analysis of this variable to women. However, you should not use these comments as rationalizations for sloppy research. “Dirty” data will almost always produce misleading research findings.

ผลลัพธ์ (ไทย) 1:

ชนิดที่สองของการทำความสะอาดข้อมูลมีความซับซ้อนมากขึ้น โครงสร้างทางตรรกะของข้อมูลอาจวางข้อจำกัดพิเศษในการตอบสนองของผู้ตอบบาง ฉุกเฉินซักคือ กระบวนการตรวจสอบว่า กรณีที่ควรมีข้อมูลในตัวแปรเฉพาะที่ในความเป็นจริงมีข้อมูลดังกล่าว ตัวอย่าง แบบสอบถามอาจถามในจำนวนบุตรที่ผู้หญิงจะมี ตอบผู้หญิงทั้งหมด แล้ว ควรมีการตอบสนองที่มีกำหนด (หรือรหัสพิเศษสำหรับความล้มเหลวในการตอบ), แต่ผู้ตอบไม่มีชายควรได้คำตอบบันทึก (หรือควรมีการระบุรหัสพิเศษ) คำถามที่เหมาะสมกับเขา) ถ้าผู้ตอบชายกำหนดเป็นรหัสมีแบกรับเด็ก 3 คน ข้อผิดพลาดได้ และควรแก้ไข หรือเรียนจะกลายเป็นมีชื่อเสียงมากกว่าที่คุณเคยฝันไว้แม้ว่าการทำความสะอาดข้อมูลเป็นขั้นตอนจำเป็นในการประมวลผลข้อมูล คุณสามารถอย่างปลอดภัยหลีกเลี่ยงได้ในบางกรณี บางทีคุณจะรู้สึกว่า คุณสามารถแยกข้อผิดพลาดน้อยมากที่ปรากฏในการกำหนดรายการข้อยกเว้นของกรณีดังกล่าวจะไม่มากส่งผลกระทบต่อผลการ ขึ้น ตอบสนองฉุกเฉินบางอย่างไม่เหมาะสมอาจถูกละเว้นอย่างปลอดภัย ถ้าบางคนมีทรัพย์มารดาสถานะในการพิมพ์อักษร คุณสามารถจำกัดการวิเคราะห์ของตัวแปรนี้กับผู้หญิง อย่างไรก็ตาม คุณไม่ควรใช้ข้อคิดเห็นเหล่านี้เป็น rationalizations สำหรับการวิจัยเพราะการ ข้อมูล "สกปรก" เกือบตลอดเวลาจะทำให้เข้าใจผิดเกี่ยวกับ

ผลลัพธ์ (ไทย) 2:

ประเภทที่สองของการทำความสะอาดข้อมูลที่มีความซับซ้อนมากขึ้น โครงสร้างเชิงตรรกะของข้อมูลที่อาจวางข้อ จำกัด พิเศษในการตอบสนองของผู้ตอบแบบสอบถามบางอย่าง ทำความสะอาดฉุกเฉินเป็นกระบวนการของการตรวจสอบว่ามีเพียงกรณีผู้ที่ควรจะมีข้อมูลเกี่ยวกับตัวแปรโดยเฉพาะอย่างยิ่งในความเป็นจริงมีข้อมูลดังกล่าว ตัวอย่างเช่นแบบสอบถามอาจขอจำนวนของเด็กที่ว่าผู้หญิงมี ผู้ตอบแบบสอบถามทั้งหมดหญิงนั้นควรจะมีการตอบสนองที่เข้ารหัส (หรือรหัสพิเศษสำหรับความล้มเหลวที่จะตอบ) แต่ไม่มีผู้ตอบแบบสอบถามเพศชายควรจะได้คำตอบที่บันทึกไว้ (หรือควรจะมีรหัสพิเศษที่ระบุ) คำถามคือที่ไม่เหมาะสมกับเขา) ถ้าตอบเพศชายให้เป็นรหัสว่ามีการพัดพาเด็กทั้งสามคนทั้งข้อผิดพลาดได้รับการทำและควรได้รับการแก้ไขหรือการศึกษาของคุณกำลังจะกลายเป็นที่มีชื่อเสียงมากขึ้นกว่าที่คุณเคยฝัน.
แม้ว่าการทำความสะอาดข้อมูลเป็นขั้นตอนสำคัญในการประมวลผลข้อมูลที่คุณสามารถ ได้อย่างปลอดภัยหลีกเลี่ยงได้ในบางกรณี บางทีคุณอาจจะรู้สึกว่าคุณสามารถแยกข้อผิดพลาดน้อยมากที่ปรากฏในที่ได้รับการยกเว้นถ้า item- ของกรณีเหล่านั้นจะไม่ส่งผลกระทบต่อผลของคุณ หรือบางคนตอบสนองฉุกเฉินที่ไม่เหมาะสมอาจถูกละเว้นได้อย่างปลอดภัย ถ้าผู้ชายบางคนได้รับการคบหาสถานะมารดาในกระบวนการเข้ารหัสคุณสามารถ จำกัด การวิเคราะห์ของตัวแปรกับผู้หญิงนี้ แต่คุณไม่ควรใช้ความคิดเห็นเหล่านี้เป็นลบล้างสำหรับการวิจัยเลอะเทอะ "สกปรก" ข้อมูลที่มักจะผลิตทำให้เข้าใจผิดผลการวิจัย

ผลลัพธ์ (ไทย) 3:

ประเภทที่สองของการทำความสะอาดข้อมูลที่ซับซ้อนมากขึ้น โครงสร้างเชิงตรรกะของข้อมูลอาจวางข้อ จำกัด พิเศษในการตอบสนองของบางคน ซักแห้งฉุกเฉินคือกระบวนการในการตรวจสอบเฉพาะคดีที่น่าจะมีข้อมูลในตัวแปรเฉพาะในความเป็นจริงมีข้อมูลดังกล่าว ตัวอย่างเช่น แบบสอบถามอาจจะถามสำหรับจำนวนของเด็กที่ผู้หญิงมีผู้หญิงส่วนใหญ่แล้ว ควรมีการใส่รหัส ( หรือรหัสพิเศษสำหรับความล้มเหลวที่จะตอบ ) แต่ไม่มีตัวผู้เลยน่าจะมีคำตอบที่บันทึก ( หรือควรจะมีรหัสพิเศษที่ระบุ ) คำถามที่ไม่เหมาะสมกับเขา ) ถ้าชายผู้ถูกกล่าวหาเป็นรหัสที่มีพาหะเด็ก 3 คนให้มีข้อผิดพลาดได้ และควรได้รับการแก้ไข หรือการศึกษาของคุณเป็นเรื่องเกี่ยวกับที่จะกลายเป็นที่มีชื่อเสียงมากขึ้นกว่าที่คุณเคยฝัน
ถึงแม้ว่าการทำความสะอาดข้อมูลเป็นขั้นตอนที่จำเป็นในการประมวลผลข้อมูล คุณสามารถหลีกเลี่ยงได้ในบางกรณี บางทีคุณอาจจะรู้สึกว่าคุณสามารถรวมไม่กี่มากข้อผิดพลาดที่ปรากฏในรายการที่ได้รับการยกเว้น - ถ้ากรณีดังกล่าวจะไม่ส่งผลกระทบต่อผลลัพธ์ของคุณ หรือมีการตอบสนองฉุกเฉินที่ไม่เหมาะสมอาจถูกละเว้น อย่างปลอดภัย ถ้าผู้ชายบางคนได้รับการ accorded การสถานะในขั้นตอนการเขียนโปรแกรม คุณสามารถ จำกัด การวิเคราะห์ตัวแปรนี้เพื่อผู้หญิง อย่างไรก็ตาม คุณไม่ควรใช้ความคิดเห็นเหล่านี้เป็น rationalizations การวิจัยเลอะเทอะ " สกปรก " ข้อมูลมักจะผลิตการวิจัย
เข้าใจผิด