Làm sạch dữ liệu khảo sát trước khi chạy SPSS

Làm sạch dữ liệu là gì trong nghiên cứu định lượng

Bạn mở file Excel hoặc SPSS lên và thấy hàng trăm dòng trả lời. Trước khi chạy Cronbach's Alpha, EFA hay hồi quy, bạn cần biết mỗi dòng có thực sự là một quan sát hợp lệ hay chỉ là phiếu bỏ dở, trả lời theo một mẫu lặp lại hoặc nhập sai mã. Công việc kiểm tra, sửa lỗi có căn cứ và loại những phiếu không thể sử dụng được gọi là làm sạch dữ liệu.

Làm sạch dữ liệu không có nghĩa là xóa những dòng làm kết quả của bạn kém đẹp. Mục tiêu là giữ lại dữ liệu phản ánh đúng đối tượng và quy trình thu thập đã nêu trong phương pháp nghiên cứu. Mọi dòng bị loại nên có lý do, tiêu chí và số lượng được ghi lại để bạn giải trình khi giảng viên hỏi.

Bạn nên giữ ba phiên bản file: file tải xuống nguyên bản, file đã làm sạch và file phân tích trong SPSS. Đặt tên có ngày, chẳng hạn khaosat_raw_2026-09-08.xlsx và khaosat_clean_v1.xlsx. Bước này giúp bạn quay lại dữ liệu ban đầu nếu phát hiện mình xóa nhầm.

Cách xác định dữ liệu khảo sát cần giữ và loại

Câu hỏi “làm sạch dữ liệu bao nhiêu là tốt” không có một tỷ lệ loại bỏ áp dụng cho mọi đề tài. Một bộ dữ liệu tốt là bộ dữ liệu có tiêu chí kiểm tra rõ, số phiếu hợp lệ phù hợp với thiết kế mẫu và không bị loại tùy tiện để ép kết quả. Nếu dùng thang đo nhiều biến quan sát, quy tắc tham khảo thường được trình bày là 5 đến 10 quan sát cho mỗi biến quan sát (Hair và cộng sự, 2010). Với hồi quy, một quy tắc khác là cỡ mẫu từ 50 + 8m trở lên, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013).

Ví dụ, bảng hỏi có 25 biến quan sát và 5 biến độc lập. Theo quy tắc 5 đến 10 lần, bạn cần khoảng 125 đến 250 quan sát. Theo quy tắc hồi quy, mức tham khảo là 90 quan sát. Đây chỉ là căn cứ thiết kế, không phải giấy phép giữ một phiếu trả lời chất lượng thấp.

Cột nguồn trong bảng giúp bạn phân biệt giữa ngưỡng có tài liệu và quy tắc kiểm tra do chính nghiên cứu quy định. Với phiếu thiếu dữ liệu hoặc trả lời lặp, bạn cần mô tả quy trình thay vì tự gắn một con số phổ quát không có trong tài liệu được trích dẫn.

Thiết kế bảng hỏi phục vụ mục tiêu làm sạch dữ liệu

Làm sạch dễ hơn nếu bảng hỏi được thiết kế để tạo ra dấu vết kiểm tra. Mỗi biến quan sát cần có mã riêng như PU1, PU2, PU3. Không đặt tên cột bằng cả câu hỏi dài vì SPSS sẽ khó đọc và bạn dễ nhầm khi chọn biến. Tạo một bảng mã riêng gồm mã biến, nội dung, thang đo và cách mã hóa.

Với thang Likert, bạn có thể dùng các mức từ 1 đến 5 hoặc 1 đến 7, nhưng phải giữ cùng một hướng diễn giải trong toàn bộ nhóm biến. Thang Likert bắt nguồn từ kỹ thuật đo thái độ của Likert (Likert, 1932). Nếu 1 là “hoàn toàn không đồng ý” và 5 là “hoàn toàn đồng ý”, hãy ghi rõ trên bảng hỏi để người trả lời không hiểu ngược.

Câu hỏi sàng lọc nên xuất hiện trước phần thang đo. Chẳng hạn, bạn hỏi người trả lời đã sử dụng dịch vụ trong sáu tháng qua chưa. Nếu câu trả lời là “chưa”, họ được kết thúc bảng hỏi hoặc chuyển đến phần phù hợp. Điều kiện này cần được ghi lại trong phương pháp chọn mẫu, không nên âm thầm loại sau khi chạy phân tích.

Bạn cũng nên có một hoặc hai câu kiểm tra sự chú ý, nhưng không biến chúng thành câu đố. Câu đảo chiều có thể giúp phát hiện việc bấm cùng một mức, tuy nhiên khi nhập dữ liệu bạn phải mã hóa lại đúng trước khi tính điểm thang đo. Nếu quên reverse code, một biến tốt có thể tương quan âm với các biến còn lại.

Trước khi phát bảng hỏi, hãy tự điền thử trên biểu mẫu khảo sát và kiểm tra tên cột khi xuất file. Bạn có thể xem thêm cách chuẩn bị phiếu khảo sát online để tránh việc câu trả lời bị thiếu do thiết lập bắt buộc chưa đúng.

Triển khai thu dữ liệu và lưu dấu vết

Khi thu dữ liệu, hãy thống nhất một đường dẫn và một phiên bản bảng hỏi. Nếu có nhiều người gửi cùng một form với cách diễn giải khác nhau, bạn sẽ khó biết một dòng lỗi đến từ công cụ hay từ người thu thập. Ghi lại thời gian mở và đóng khảo sát, kênh phát phiếu, tiêu chí đối tượng và số phản hồi mỗi ngày.

DoThesis có fillform.info, công cụ form của chúng tôi dành cho việc thu thập bảng hỏi tiếng Việt. Google Forms là lựa chọn thay thế phổ biến. Dù dùng công cụ nào, bạn nên tải bản dữ liệu gốc định kỳ thay vì chỉ giữ dữ liệu trên nền tảng trực tuyến.

Không nên xóa ngay phản hồi chỉ vì thời gian hoàn thành ngắn. Thời gian là một dấu hiệu để kiểm tra thêm cùng với mức độ hoàn chỉnh, mẫu trả lời, câu hỏi sàng lọc và khả năng trùng lặp. Một người đọc nhanh có thể hoàn thành nhanh hơn người khác, còn một phiếu trả lời tự động có thể tạo ra nhiều dấu hiệu cùng lúc.

Hãy lưu một nhật ký làm sạch gồm bốn cột: mã phiếu, vấn đề, quyết định và lý do. Ví dụ: R018, bỏ trống 40% câu hỏi, loại, không đủ dữ liệu để tính điểm thang đo. Cách ghi này liên quan trực tiếp đến đạo đức nghiên cứu, vì bạn phải bảo vệ tính minh bạch và quyền riêng tư của người trả lời.

Làm sạch dữ liệu trước khi nhập SPSS

Trước hết, kiểm tra cấu trúc file. Một hàng nên tương ứng với một người trả lời, một cột tương ứng với một biến. Không gộp nhiều câu trả lời vào một ô, không để dòng tiêu đề phụ nằm giữa dữ liệu và không đặt công thức Excel chưa được kiểm tra vào file sẽ nhập SPSS.

Kiểm tra phiếu thiếu dữ liệu

Lọc từng cột để tìm ô trống, ký tự lạ và giá trị ngoài thang đo. Nếu thang đo chỉ từ 1 đến 5 mà có giá trị 0, 6 hoặc chữ đồng ý, đó là lỗi mã hóa cần sửa từ dữ liệu gốc hoặc đối chiếu với phiếu gốc. Đừng đổi tất cả giá trị lạ thành giá trị trung bình chỉ để SPSS chạy được.

Với một phiếu thiếu vài biến, quyết định giữ hay loại phụ thuộc vào mức độ thiếu, vị trí biến và kế hoạch phân tích. Nếu thiếu biến sàng lọc hoặc thiếu quá nhiều biến trong một thang đo, loại phiếu thường dễ giải trình hơn. Nếu thiếu ít và có căn cứ, bạn có thể để giá trị missing và xử lý theo phương án đã nêu trong phương pháp.

Kiểm tra straight-lining

Straight-lining là tình huống người trả lời chọn cùng một mức cho một dãy biến, chẳng hạn toàn bộ câu hỏi đều là 3. Dấu hiệu này chưa đủ để kết luận phiếu không hợp lệ. Bạn cần xem thời gian hoàn thành, câu đảo chiều, câu sàng lọc và các nhóm thang đo khác.

Trong Excel, tạo cột đếm số giá trị khác nhau trên từng nhóm biến. Trong SPSS, bạn có thể dùng Analyze > Descriptive Statistics > Frequencies để xem phân phối từng biến, sau đó đối chiếu các dòng đáng ngờ trong Data View. Nếu một dòng vừa trả lời toàn bộ một mức, hoàn thành bất thường nhanh và không logic với câu sàng lọc, lý do loại sẽ vững hơn.

Kiểm tra trùng lặp và câu trả lời không hợp lệ

Kiểm tra mã người trả lời, email nếu được phép thu thập, thời gian gửi và các trường nhân khẩu học. Với dữ liệu ẩn danh, dùng tổ hợp biến ít nhạy cảm như nhóm tuổi, khu vực và thời điểm gửi để phát hiện dòng có khả năng trùng. Không công bố thông tin nhận diện trong file phân tích.

Bạn có thể xem thêm hướng xử lý phiếu trả lời không hợp lệ trước khi đặt quy tắc cho bộ dữ liệu của mình. Một phiếu chọn sai điều kiện sàng lọc, bỏ qua phần lớn bảng hỏi hoặc có mẫu trả lời mâu thuẫn cần được đánh dấu riêng, không xóa không dấu vết.

Kiểm tra giá trị ngoại lệ và mã hóa

Giá trị ngoại lệ là quan sát khác biệt đáng kể, nhưng khác biệt không tự động đồng nghĩa với sai. Một người có thu nhập cao hoặc tần suất sử dụng dịch vụ lớn vẫn có thể là người thuộc đúng tổng thể nghiên cứu. Bạn cần phân biệt lỗi nhập liệu với một quan sát thực tế.

Kiểm tra các biến định lượng bằng Analyze > Descriptive Statistics > Explore. Xem bảng cực trị, biểu đồ và hồ sơ phiếu. Nếu sửa dữ liệu, lưu giá trị cũ trong file raw và ghi lý do trong nhật ký. Với biến phân loại, mở Variable View để kiểm tra Values, Missing và Measure trước khi chạy phân tích.

Đối chiếu file làm sạch với file gốc

Sau mỗi vòng sửa, ghi số dòng ban đầu, số dòng bị loại và số dòng cuối cùng. Không thay đổi tên biến giữa chừng nếu chưa cập nhật codebook. Khi đã nhập sang SPSS, dùng Analyze > Descriptive Statistics > Frequencies cho các biến mã hóa để xác nhận không còn giá trị ngoài khoảng.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Tên cột mô phỏng bảng tần số mà bạn có thể xem trong SPSS sau khi làm sạch.

Trong ví dụ này, PU2 còn một giá trị missing. Bạn chưa nên điền trung bình ngay. Hãy quay lại phiếu gốc, xem missing đó có phải lỗi nhập hay người trả lời thực sự bỏ trống, rồi áp dụng đúng kế hoạch xử lý đã ghi trong phương pháp.

Cách trình bày trong chương 3

Chương 3 cần mô tả trước cách bạn thu thập và làm sạch dữ liệu, không chờ đến chương 4 mới giải thích vì sao số phiếu thay đổi. Nêu tổng số phản hồi nhận được, tiêu chí phiếu hợp lệ, số phiếu bị loại theo từng lý do và cỡ mẫu cuối cùng dùng cho SPSS. Nếu có nhiều vòng lọc, trình bày theo thứ tự thời gian.

Cách viết vào luận văn: “Nghiên cứu thu được [N0] phiếu trả lời. Sau khi kiểm tra [tiêu chí thiếu dữ liệu], [tiêu chí straight-lining], [tiêu chí trùng lặp] và [điều kiện sàng lọc], [N1] phiếu bị loại. Cỡ mẫu cuối cùng gồm [N2] quan sát hợp lệ, được sử dụng cho các phân tích tiếp theo.”

Bạn cần thay các placeholder bằng số thật từ nhật ký làm sạch. Nếu không loại phiếu nào, viết rõ “không có phiếu nào bị loại theo các tiêu chí đã đặt ra”, thay vì bỏ qua hoàn toàn bước này. Nếu dùng dữ liệu thiếu, mô tả biến nào bị thiếu và cách SPSS xử lý trong phân tích tương ứng.

Ở chương 4, báo cáo cỡ mẫu thực tế trước khi trình bày Cronbach's Alpha, EFA hoặc hồi quy. Đừng dùng cỡ mẫu thu thập ban đầu nếu một phần phiếu đã bị loại. Nếu số quan sát thay đổi giữa các phân tích do missing, phải nói rõ bảng nào dùng số quan sát nào.

Lỗi thường gặp khi làm sạch dữ liệu

Xóa phiếu để đạt Alpha mong muốn

Đây là lỗi khó giải trình nhất. Bạn chỉ nên loại phiếu theo tiêu chí chất lượng đã đặt trước, không loại một người trả lời chỉ vì họ làm Cronbach's Alpha giảm. Nếu một biến có corrected item-total correlation thấp, đó là vấn đề cần xem xét ở cấp biến quan sát, không phải lý do tự động xóa toàn bộ người trả lời.

Sửa trực tiếp trên file gốc

Một thao tác kéo chuột sai có thể thay đổi hàng chục ô. File raw phải được giữ nguyên và đặt ở chế độ chỉ đọc nếu có thể. Mọi thay đổi nằm ở bản clean, kèm nhật ký và ngày thực hiện.

Điền missing bằng trung bình mà không ghi lại

Mean imputation làm mất dấu vết của dữ liệu thiếu và có thể ảnh hưởng đến phân phối. Nếu dùng phương án này, bạn phải nêu biến, tỷ lệ missing và lý do. Với tỷ lệ thiếu đáng kể hoặc dữ liệu có cấu trúc phức tạp, cần trao đổi với giảng viên trước khi quyết định.

Gộp mã Likert sai hướng

Nếu một nhóm biến dùng 1 là không đồng ý và nhóm khác dùng 1 là đồng ý, điểm số sẽ bị đảo nghĩa. Kiểm tra codebook trước khi tính biến tổng hợp. Câu đảo chiều cần được reverse code bằng công thức phù hợp với số mức của thang đo.

Không lưu phiên bản sau khi lọc

Bộ lọc trong Excel hoặc SPSS có thể làm bạn tưởng rằng dòng đã biến mất, trong khi nó chỉ đang bị ẩn. Sau khi quyết định, tạo một biến trạng thái như keep = 1 hoặc lưu một file mới, rồi kiểm tra lại số dòng.

Đọc thêm: đạo đức nghiên cứu, phiếu trả lời không hợp lệ, phiếu khảo sát online, biểu mẫu khảo sát, form khảo sát, chủ đề khao sat.

Câu hỏi thường gặp

Làm sạch dữ liệu bao nhiêu là tốt?

Không có tỷ lệ loại phiếu cố định cho mọi nghiên cứu. Bạn cần đặt tiêu chí dựa trên bảng hỏi, đối tượng khảo sát và cách thu thập, sau đó áp dụng nhất quán. Một bộ dữ liệu có ít phiếu bị loại vẫn có thể kém nếu bạn giữ các dòng thiếu, trùng hoặc trả lời không logic.

Hãy báo cáo cả số phiếu ban đầu và số phiếu cuối cùng. Nếu tỷ lệ loại cao, giải thích nguyên nhân và cân nhắc liệu cỡ mẫu cuối cùng còn đáp ứng thiết kế nghiên cứu hay không.

Có nên xóa toàn bộ người trả lời chọn cùng một mức không?

Chưa nên xóa chỉ dựa trên dấu hiệu cùng một mức. Kiểm tra thêm thời gian hoàn thành, câu đảo chiều, điều kiện sàng lọc và sự nhất quán giữa các nhóm biến. Một người thật sự đồng ý với mọi phát biểu vẫn có thể chọn cùng một mức.

Có cần làm sạch dữ liệu trong SPSS nếu đã làm trên Excel?

Có. Excel thuận tiện để kiểm tra cấu trúc, mã hóa và trùng lặp, còn SPSS giúp bạn kiểm tra tần số, missing, giá trị cực trị và phân phối trong chính file phân tích. Sau khi nhập, chạy Analyze > Descriptive Statistics > Frequencies để xác nhận dữ liệu không bị đổi mã.

Thiếu một câu trả lời thì có phải loại cả phiếu không?

Không bắt buộc. Bạn cần xem biến bị thiếu, số lượng missing trong toàn phiếu và phương án đã nêu trong phương pháp. Nếu thiếu câu sàng lọc hoặc thiếu phần lớn thang đo, loại phiếu có thể hợp lý hơn; nếu chỉ thiếu một biến, có thể giữ và xử lý missing theo kế hoạch.

Làm sạch dữ liệu có làm thay đổi kết quả nghiên cứu không?

Có thể, vì số quan sát và chất lượng dữ liệu đầu vào thay đổi. Đó là lý do bạn cần lưu file gốc, nhật ký xử lý và tiêu chí loại trước khi chạy mô hình. Không được mô tả dữ liệu sau khi làm sạch như thể đó là toàn bộ số phản hồi ban đầu.

Mở file dữ liệu của bạn ngay bây giờ, tạo bản sao raw, lập nhật ký gồm mã phiếu và lý do xử lý, rồi chạy Frequencies để kiểm tra giá trị ngoài thang đo trước khi thực hiện phân tích trong M4 phân tích dữ liệu thật của DoThesis.