129. Kategorie wielokrotnego wyboru – jak kodować je w bazie?
W badaniach ankietowych często pytamy respondentów: „Które z poniższych objawów występowały u Pani/Pana w ostatnim tygodniu? Można zaznaczyć więcej niż jedną odpowiedź”. Taki format nie tworzy jednej zmiennej nominalnej z jedną wartością, lecz kilka powiązanych informacji. Każda odpowiedź może być zaznaczona albo niezaznaczona, dlatego najbezpieczniejszym sposobem zapisu jest zwykle utworzenie osobnej zmiennej dla każdej kategorii i zakodowanie jej jako 0/1. W tej lekcji kursu na statystyk.edu.pl wyjaśniamy, jak zrobić to poprawnie, jak odróżnić wielokrotny wybór od jednokrotnego oraz jak uniknąć błędów, które później utrudniają analizę.
Na czym polega kategoria wielokrotnego wyboru?
Pytanie wielokrotnego wyboru, określane także jako z ang. select all that apply, check-all-that-apply lub pytanie wielokrotnego wyboru, pozwala respondentowi wskazać więcej niż jedną kategorię. Przykładowo osoba badana może jednocześnie zaznaczyć „ból głowy”, „zmęczenie” i „trudności ze snem”. Nie są to trzy poziomy jednej zmiennej. Są to trzy odrębne informacje dotyczące tej samej osoby.
To rozróżnienie ma podstawowe znaczenie. W pytaniu jednokrotnego wyboru respondent wybiera dokładnie jedną kategorię, na przykład „miejsce zamieszkania: wieś, małe miasto, duże miasto”. W bazie można wówczas zapisać jedną zmienną, na przykład miejsce_zamieszkania. W pytaniu wielokrotnego wyboru jedna osoba może wybrać jednocześnie kilka odpowiedzi, dlatego zapisanie wszystkiego w pojedynczej komórce jako tekstu, na przykład „ból głowy; zmęczenie; bezsenność”, jest rozwiązaniem niewygodnym analitycznie.
Literatura metodologiczna opisuje takie pytania jako dane wielokrotnych odpowiedzi. W praktyce najczęściej przechowuje się je jako zestaw zmiennych binarnych, po jednej dla każdej kategorii (Santos, 2000; Jann, 2005). Każda z tych zmiennych ma wtedy własną, jasno zdefiniowaną interpretację.
Podstawowa zasada: jedna kategoria, jedna zmienna
Załóżmy, że w ankiecie znajduje się pytanie:
„Z jakich źródeł czerpie Pani/Pan informacje o zdrowiu? Można zaznaczyć więcej niż jedną odpowiedź”.
Lista odpowiedzi obejmuje: lekarza, pielęgniarkę, rodzinę lub znajomych, media społecznościowe, strony internetowe oraz „inne źródło”. W bazie można utworzyć następujące zmienne:
| Nazwa zmiennej | Znaczenie wartości 1 | Znaczenie wartości 0 |
|---|---|---|
src_lekarz |
zaznaczono lekarza | nie zaznaczono |
src_pielegniarka |
zaznaczono pielęgniarkę | nie zaznaczono |
src_rodzina |
zaznaczono rodzinę lub znajomych | nie zaznaczono |
src_social |
zaznaczono media społecznościowe | nie zaznaczono |
src_www |
zaznaczono strony internetowe | nie zaznaczono |
src_inne |
zaznaczono inne źródło | nie zaznaczono |
Wartości 0 i 1 nie oznaczają tu dwóch poziomów jednej skali. Każda zmienna odpowiada na osobne pytanie: „Czy respondent zaznaczył tę konkretną kategorię?”. Jest to kodowanie binarne powtarzane dla kolejnych kategorii.
Dlaczego nie należy wpisywać kodów 1, 2, 3, 4 do jednej zmiennej?
Numery kategorii są właściwe dla pytania jednokrotnego wyboru. Jeżeli respondent może zaznaczyć kilka odpowiedzi, pojedynczy kod nie przechowuje pełnej informacji. Można wprawdzie utworzyć kody złożone, na przykład 1 = tylko lekarz, 2 = tylko pielęgniarka, 3 = lekarz i pielęgniarka, 4 = lekarz i strony internetowe, ale liczba możliwych kombinacji rośnie bardzo szybko. Przy k kategoriach istnieje teoretycznie do 2k kombinacji, jeśli dopuszczalna jest także odpowiedź „żadna”.
Takie kody są trudne do kontroli, nieczytelne w analizie i podatne na błędy. Nie powinno się również traktować kodu 3 jako „większego” lub „silniejszego” od kodu 2. Numery kombinacji nie tworzą skali porządkowej ani ilościowej.
Jak zapisać odpowiedź w układzie szerokim?
Najczęściej stosowany jest układ szeroki, w którym jeden wiersz oznacza jednego respondenta, a kolejne kolumny odpowiadają kategoriom. Przykład dla pytania o objawy może wyglądać następująco:
| ID | obj_bol_glowy |
obj_goraczka |
obj_kaszel |
obj_zmeczenie |
obj_brak |
|---|---|---|---|---|---|
| 001 | 1 | 0 | 1 | 1 | 0 |
| 002 | 0 | 1 | 0 | 1 | 0 |
| 003 | 0 | 0 | 0 | 0 | 1 |
Respondent 001 zgłosił ból głowy, kaszel i zmęczenie. Respondent 002 zgłosił gorączkę i zmęczenie. Respondent 003 zaznaczył odpowiedź „brak objawów”. Jeżeli „brak objawów” jest kategorią wykluczającą inne odpowiedzi, należy sprawdzić, czy nie występuje jednocześnie z wartością 1 w pozostałych kolumnach.
Można obliczyć liczbę zaznaczonych kategorii dla osoby. Dla respondenta i suma wynosi:
Ri = xi1 + xi2 + … + xik
- Ri – liczba zaznaczonych kategorii u osoby i;
- xij – wartość 0 lub 1 dla osoby i i kategorii j;
- k – liczba kategorii w pytaniu.
Wartość Ri może być użyteczna jako zmienna pomocnicza, ale nie zastępuje informacji o tym, które kategorie zostały zaznaczone. Dwie osoby mogą mieć po trzy wskazania, lecz zupełnie różne profile odpowiedzi.
Brak odpowiedzi, „nie wiem” i „nie dotyczy”
Najważniejsza zasada brzmi: zero powinno oznaczać „kategoria nie została zaznaczona”, a nie każdy możliwy rodzaj braku informacji. Jeżeli respondent odpowiedział na pytanie i nie zaznaczył „ból głowy”, wartość 0 ma sens. Jeżeli pominął całe pytanie, nie wiadomo, czy rzeczywiście nie miał bólu głowy. Wtedy właściwszy może być kod braku danych.
W dokumentacji badania należy rozróżnić co najmniej:
- 0 – kategoria przedstawiona respondentowi, lecz niezaznaczona;
- 1 – kategoria zaznaczona;
- brak danych – respondent nie udzielił odpowiedzi albo nie wiadomo, czy pytanie zostało mu zadane;
- nie dotyczy – pytanie nie miało zastosowania, na przykład z powodu wcześniejszej odpowiedzi filtrującej;
- nie wiem lub odmowa odpowiedzi – odrębne stany, jeśli zostały przewidziane w narzędziu.
Nie należy automatycznie zamieniać wszystkich pustych komórek na 0. Taka operacja może sztucznie obniżyć częstość wskazań. Z drugiej strony, jeżeli system ankietowy gwarantuje, że każda niezaznaczona opcja została zapisana jako 0, należy tę regułę opisać w książce kodowej badania.
Przykład medyczny: objawy i choroby współistniejące
W badaniu pacjentów hospitalizowanych można zapytać: „Które choroby przewlekłe rozpoznano u Pani/Pana przed przyjęciem do szpitala? Można zaznaczyć więcej niż jedną odpowiedź”. Kategorie mogą obejmować nadciśnienie, cukrzycę, przewlekłą chorobę płuc, chorobę serca, przewlekłą chorobę nerek oraz „inne”.
Dla każdej kategorii tworzymy zmienną 0/1, na przykład comorb_htn, comorb_dm i comorb_ckd. Następnie możemy obliczyć częstość każdej choroby, porównać profile między oddziałami albo zastosować modele, w których poszczególne choroby są osobnymi predyktorami. Nie wolno jednak bez dodatkowych założeń traktować wszystkich wskazań jako jednej skali „nasilenia chorób”. Nadciśnienie i cukrzyca są odrębnymi cechami, a ich współwystępowanie wymaga osobnej interpretacji.
Jeśli celem jest jedynie opis, można podać liczbę i odsetek pacjentów, którzy zaznaczyli każdą kategorię. Trzeba jasno wskazać mianownik. Odsetki mogą sumować się do ponad 100%, ponieważ jedna osoba mogła wskazać kilka chorób. Raportowanie sumujących się do 100% odsetków byłoby w tym przypadku błędne.
Przykład praktyczny: analiza ankiety pielęgniarskiej
Załóżmy, że w badaniu pielęgniarek analizujemy bariery stosowania procedury edukacji pacjenta. Respondentki mogą zaznaczyć dowolną liczbę odpowiedzi: brak czasu, zbyt mała obsada, brak materiałów, brak szkolenia, brak wsparcia przełożonych oraz „inne”.
Po wprowadzeniu danych badacz sprawdza trzy elementy:
- czy każda kategoria ma osobną zmienną;
- czy wartości ograniczają się do dozwolonego zbioru, zwykle 0, 1 oraz kodów braków;
- czy odpowiedź „inne” jest powiązana z polem tekstowym, w którym można opisać dodatkową barierę.
Następnie tworzy tabelę częstości. Jeżeli 72 ze 120 pielęgniarek wskazały brak czasu, wynik można opisać jako 60,0% badanych. Jeśli 45 wskazało brak szkolenia, będzie to 37,5%. Nie oznacza to, że 60,0% wszystkich odpowiedzi stanowił brak czasu, ponieważ mianownikiem jest liczba osób, a nie suma wszystkich zaznaczeń. Warto nadmienić, że suma odsetków odpowiedzi w takim pytaniu będzie wynosiła ponad 100%.
Jeżeli badacz chce porównać bariery między oddziałami, każdą kategorię analizuje jako oddzielną zmienną binarną. Można zastosować tabelę kontyngencji i odpowiedni test dla dwóch zmiennych jakościowych, ale sposób analizy powinien uwzględniać plan badania, liczebności oraz ewentualne powtarzanie odpowiedzi. Sam fakt, że kilka zmiennych pochodzi z jednego pytania, nie uzasadnia traktowania ich jako jednej skali.
Układ szeroki a układ długi
Układ szeroki jest wygodny w wielu analizach przekrojowych: jeden respondent znajduje się w jednym wierszu, a kategorie w osobnych kolumnach. Do wizualizacji, tabel krzyżowych lub niektórych modeli można jednak przekształcić dane do układu długiego:
| ID | Kategoria | Wybrano |
|---|---|---|
| 001 | ból głowy | 1 |
| 001 | gorączka | 0 |
| 001 | kaszel | 1 |
W układzie długim jeden respondent ma zwykle wiele wierszy, po jednym dla każdej kategorii. Nie jest to „lepszy” sposób kodowania w każdej sytuacji. To alternatywna organizacja danych, przydatna na przykład wtedy, gdy liczba kategorii jest zmienna albo gdy analizujemy związki między osobą a wybraną kategorią. Przed przekształceniem trzeba zachować słownik kategorii i reguły kodowania.
Walidacja logiczna i dokumentacja
Poprawne kodowanie wymaga kontroli reguł logicznych. Dla pytania o choroby współistniejące można sprawdzić, czy nie pojawiły się wartości inne niż 0 i 1. Dla pytania zawierającego „żadna z powyższych” należy sprawdzić, czy nie została zaznaczona razem z inną kategorią. W przypadku limitu, na przykład „zaznacz najwyżej trzy odpowiedzi”, można obliczyć sumę wskazań i wykryć naruszenia.
Książka kodów badania powinna zawierać nazwę zmiennej, pełną etykietę, pytanie źródłowe, listę kategorii, wartości dopuszczalne, sposób kodowania braków oraz informację, czy kategoria jest wzajemnie wykluczająca. Taki opis ogranicza ryzyko, że inny analityk zinterpretuje 0 jako brak danych albo potraktuje zmienne jako pozycje jednej skali.
Najczęstsze błędy
- Zapis całej odpowiedzi w jednej komórce tekstowej. Utrudnia filtrowanie, liczenie częstości i analizę zależności.
- Użycie jednego kodu dla każdej kombinacji. Rozwiązanie szybko staje się nieczytelne i nie skaluje się wraz z liczbą kategorii.
- Traktowanie numerów kategorii jako wartości ilościowych. Kod 4 nie oznacza „więcej” niż kod 2, jeśli numery są tylko etykietami.
- Zamiana braków danych na zero. Może prowadzić do fałszywego wniosku, że respondent nie wybrał żadnej kategorii.
- Raportowanie odsetków, które muszą sumować się do 100%. W pytaniu wielokrotnego wyboru suma odsetków może przekraczać 100%.
- Pomijanie kategorii „żadne” lub „inne”. Ich brak może wymusić zaznaczenie nieadekwatnej odpowiedzi.
- Tworzenie sumarycznego wyniku bez uzasadnienia. Liczba zaznaczeń nie musi być miarą natężenia badanego zjawiska.
Co warto zapamiętać?
- Pytanie wielokrotnego wyboru zawiera kilka informacji, a nie jedną kategorię nominalną.
- Najczęściej stosuje się osobną zmienną dla każdej odpowiedzi.
- Wartość 1 oznacza zaznaczenie kategorii, a 0 jej niezaznaczenie, pod warunkiem że respondent faktycznie udzielił odpowiedzi.
- Brak danych, „nie wiem”, odmowa i „nie dotyczy” powinny być rozróżniane od zera.
- Odsetki dla kategorii mogą sumować się do ponad 100%, ponieważ jedna osoba może zaznaczyć kilka odpowiedzi.
- Zmienne pochodzące z jednego pytania nie tworzą automatycznie skali psychometrycznej.
- Każdy sposób kodowania należy opisać w książce kodów i sprawdzić regułami walidacji.
Najważniejsza praktyczna reguła jest prosta: jeśli respondent może zaznaczyć kilka odpowiedzi, nie próbuj wciskać wszystkich informacji do jednego kodu. Rozdziel kategorie na osobne, jasno nazwane zmienne, zachowaj rozróżnienie między zerem a brakiem danych i od początku planuj sposób raportowania mianownika. Dzięki temu baza będzie czytelna, możliwa do odtworzenia i gotowa do dalszej analizy.
Źródła i dalsza lektura
- Santos, J. R. A. (2000). Getting the Most Out of Multiple Response Questions. Journal of Extension, 38(3), Article 13. DOI: 10.66752/1077-5315.7944.
- Jann, B. (2005). Tabulation of Multiple Responses. The Stata Journal, 5(1), 92–122. DOI: 10.1177/1536867X0500500113.
- Edwards, Y. D., & Allenby, G. M. (2003). Multivariate Analysis of Multiple Response Data. Journal of Marketing Research, 40(3), 321–334. DOI: 10.1509/jmkr.40.3.321.19233.
- Pavel, M., & Pavel, D. (2024). The methodology of the statistical analysis of checkbox items. Acta et Commentationes, Sciences of Education, 35(1), 61–67. DOI: 10.36120/2587-3636.v35i1.61-67.
- Bilder, C. R., & Loughin, T. M. (2009). Modeling multiple-response categorical data from complex surveys. Canadian Journal of Statistics, 37, 553–570. DOI: 10.1002/cjs.10040.
- UCLA Clinical and Translational Science Institute (2024). Code Book. UCLA Clinical and Translational Science Institute. University of California, Los Angeles. Źródło.