525. Variable View w SPSS – jak poprawnie opisać bazę?

W poprzedniej lekcji rozróżnialiśmy podstawowe typy zmiennych w SPSS. Teraz przechodzimy do etapu, który często decyduje o jakości całej analizy: poprawnego opisania bazy danych w oknie Variable View. To właśnie tutaj definiuje się znaczenie poszczególnych kolumn, sposób wyświetlania danych, kody kategorii, wartości brakujące i poziom pomiaru. Dobrze przygotowany Variable View nie jest kosmetycznym dodatkiem. Jest słownikiem bazy, który pomaga badaczowi, promotorowi, współautorowi i recenzentowi zrozumieć, co rzeczywiście oznaczają zapisane liczby.

W praktyce omawianej także w podręczniku do szkoleniu na statystyk.edu.pl należy przyjąć zasadę: zanim uruchomisz test statystyczny, upewnij się, że każda zmienna ma jasno określone znaczenie, sposób kodowania i regułę postępowania z brakami danych. Program może wykonać obliczenia na źle opisanej bazie, ale poprawnie wyglądająca tabela nie naprawi błędnej definicji zmiennej.

Czym jest Variable View?

W edytorze danych SPSS występują dwa podstawowe widoki. Data View pokazuje przypadki w wierszach i zmienne w kolumnach. Variable View odwraca perspektywę: każdy wiersz opisuje jedną zmienną, a kolejne kolumny przedstawiają jej właściwości. IBM określa ten widok jako miejsce przechowywania opisów atrybutów zmiennych, między innymi nazwy, typu, etykiety, wartości brakujących i poziomu pomiaru (IBM, 2026a).

Warto odróżnić wartość zmiennej od metadanych zmiennej. Wartość to konkretna obserwacja, na przykład 37 lat, 1 oznaczające palenie tytoniu albo 8,5 punktu w skali depresji. Metadane mówią natomiast, jak tę liczbę interpretować. Kod 1 może oznaczać „kobieta”, „tak”, „grupa interwencyjna” albo „pierwszy stopień choroby”. Bez etykiety i dokumentacji sama liczba jest niejednoznaczna.

Najważniejsze kolumny Variable View

Name: nazwa zmiennej

Nazwa powinna być krótka, jednoznaczna i technicznie poprawna. W praktyce dobrze sprawdzają się nazwy zapisane bez spacji, polskich znaków i znaków interpunkcyjnych, na przykład age, sex, sbp_baseline, smoking_status lub phq9_total. Nazwa techniczna nie musi zawierać pełnego opisu. Od tego służy kolumna Label.

Warto ustalić konwencję przed rozpoczęciem wprowadzania danych. Przykładowo:

  • id – identyfikator uczestnika;
  • age_y – wiek w latach;
  • sex – płeć zakodowana liczbowo;
  • bp_sys_t0 – skurczowe ciśnienie tętnicze w punkcie pomiarowym t0;
  • pain_nrs_t1 – natężenie bólu w skali NRS po interwencji;
  • depr_total – wynik sumaryczny kwestionariusza depresji.

Unikaj nazw takich jak var1, pytanie7 lub dane, jeżeli baza ma być później analizowana, archiwizowana albo przekazana innej osobie. Nazwa pytanie7 nie informuje, czego dotyczy pytanie i czy odpowiedzią jest pojedyncza kategoria, wynik skali, czy zmienna pomocnicza.

Type, Width i Decimals

Kolumna Type określa techniczny typ danych: najczęściej Numeric, String albo Date. Zmienna numeryczna może być używana do przechowywania liczb i kodów kategorii. Zmienna tekstowa przechowuje ciągi znaków, na przykład „kobieta” lub „mężczyzna”. Nie oznacza to jednak, że zmienna tekstowa jest z definicji jakościowa w sensie metodologicznym, a numeryczna – ilościowa. Liczbowe kody płci są nadal zmienną nominalną.

Width określa szerokość pola, a Decimals liczbę miejsc po przecinku wyświetlanych w tabelach i arkuszu. Ustawienia te wpływają przede wszystkim na prezentację. Zmiana liczby wyświetlanych miejsc po przecinku nie zmienia automatycznie dokładności pomiaru ani wartości zapisanej w pliku. Jeżeli temperatura została zmierzona z dokładnością do 0,1°C, warto ustawić jedną cyfrę dziesiętną. Dla liczby hospitalizacji odpowiednie będzie zero miejsc dziesiętnych.

Label: opis słowny zmiennej

Etykieta zmiennej powinna odpowiadać na pytanie: co dokładnie mierzono, u kogo, kiedy i w jakiej jednostce? Zamiast age_y można wpisać: „Wiek uczestnika w latach w dniu badania”. Zamiast bp_sys_t0: „Skurczowe ciśnienie tętnicze przed interwencją, mm Hg”.

Dobra etykieta powinna również sygnalizować czas pomiaru, jeżeli badanie ma charakter podłużny. Zmienne pain_t0, pain_t1 i pain_t2 powinny mieć etykiety wskazujące, czy chodzi o pomiar przed zabiegiem, po 30 minutach czy po 24 godzinach. Bez tej informacji można pomylić kolejność pomiarów w analizie.

Values: etykiety wartości

Kolumna Values służy do opisania znaczenia kodów. Jeżeli zmienna smoking ma wartości 0 i 1, należy zdefiniować na przykład: 0 = „nie pali”, 1 = „pali”. Etykiety nie zmieniają wartości zapisanych w bazie, ale sprawiają, że tabele, wykresy i okna dialogowe są czytelniejsze.

Nie należy nadawać etykiet wartościom przypadkowo. Najpierw trzeba sprawdzić kwestionariusz, formularz obserwacyjny lub instrukcję kodowania. Jeżeli w ankiecie odpowiedzi brzmiały: „zdecydowanie nie”, „raczej nie”, „raczej tak”, „zdecydowanie tak”, kodowanie powinno zachować tę kolejność, na przykład 1–4. Sama obecność liczb 1–4 nie gwarantuje jeszcze, że SPSS rozpozna zmienną jako porządkową.

Missing: wartości brakujące

W SPSS należy odróżnić brak systemowy od braku zdefiniowanego przez użytkownika. Brak systemowy pojawia się zwykle jako kropka dla zmiennej numerycznej. Brak użytkownika to specjalny kod wpisany przez badacza, na przykład 99 = „nie wiem”, 98 = „odmowa odpowiedzi” albo 97 = „nie dotyczy”. IBM wskazuje, że wartości użytkownika można zdefiniować w Variable View i wykorzystać do właściwego traktowania takich kodów podczas analiz (IBM, 2026a; IBM, 2026b).

Najważniejsza zasada brzmi: kod 99 nie jest automatycznie brakiem danych. Dopiero oznaczenie go jako user-missing powoduje, że SPSS może wyłączać tę wartość z odpowiednich obliczeń. Jeżeli kod pozostanie zwykłą liczbą, średnia wieku może zostać sztucznie zawyżona, a odsetek osób z określoną cechą – zniekształcony.

Warto rozróżnić przyczyny braku, gdy ma to znaczenie analityczne. „Nie dotyczy”, „odmowa odpowiedzi” i „brak pomiaru z przyczyn technicznych” nie muszą oznaczać tego samego. Mogą być przechowywane jako osobne kody, ale trzeba konsekwentnie oznaczyć je jako wartości brakujące i opisać ich częstość w raporcie.

Columns, Align i Measure

Columns i Align dotyczą głównie wyglądu arkusza. Znacznie ważniejsza jest kolumna Measure, w której wybiera się poziom pomiaru: Nominal, Ordinal albo Scale. W SPSS poziom ten może wpływać na dostępne procedury i sposób proponowania zmiennych w niektórych oknach dialogowych (IBM, 2026c).

  • Nominal – kategorie bez uporządkowania, na przykład płeć, miejsce zamieszkania, grupa krwi lub rozpoznanie;
  • Ordinal – kategorie uporządkowane, ale bez gwarancji równych odległości między nimi, na przykład nasilenie bólu: brak, łagodny, umiarkowany, silny;
  • Scale – zmienna ilościowa, dla której sensowne jest operowanie różnicami liczbowymi, na przykład wiek, masa ciała, ciśnienie skurczowe lub wynik sumaryczny skali.

Ustawienie Scale nie jest dowodem, że można zastosować dowolny test parametryczny. O wyborze analizy decydują także rozkład, niezależność obserwacji, homogeniczność wariancji, sposób doboru próby i charakter pytania badawczego. Z kolei ustawienie Ordinal nie oznacza automatycznie, że trzeba użyć wyłącznie testu rangowego. Wynik sumaryczny wielopozycyjnej skali może być analizowany jako ilościowy, jeżeli uzasadniają to właściwości pomiaru i plan badania.

Role: rola zmiennej

Kolumna Role pozwala przypisać zmiennej funkcję, na przykład Input, Target, Both lub None. IBM podkreśla, że role służą przede wszystkim do wstępnego porządkowania zmiennych w procedurach, które obsługują tę funkcję; same w sobie nie zmieniają danych ani nie zastępują poprawnego zdefiniowania modelu (IBM, 2026d).

Nie należy więc traktować ustawienia Target jako dowodu, że zmienna jest zmienną zależną w sensie przyczynowym. Rola jest techniczną pomocą organizacyjną. To teoria, projekt badania i hipoteza określają, która zmienna jest wynikiem, ekspozycją, predyktorem, modyfikatorem efektu czy potencjalnym czynnikiem zakłócającym.

Jak opisywać bazę krok po kroku?

  1. Ustal jednostkę obserwacji. Zdecyduj, czy jeden wiersz oznacza osobę, wizytę, hospitalizację, zdarzenie czy pomiar.
  2. Zbuduj słownik zmiennych. Zapisz nazwę, pełny opis, typ, jednostkę, kody odpowiedzi, zakres dopuszczalnych wartości i sposób traktowania braków.
  3. Wprowadź nazwy techniczne. Stosuj jedną konwencję i nie zmieniaj jej w połowie projektu.
  4. Dodaj etykiety zmiennych i wartości. Opis powinien być zrozumiały dla osoby, która nie uczestniczyła w zbieraniu danych.
  5. Zdefiniuj wartości brakujące. Sprawdź, czy kody specjalne nie są wartościami rzeczywistymi.
  6. Ustaw poziom pomiaru. Zrób to na podstawie konstruktu i sposobu pomiaru, nie tylko na podstawie tego, że dane są zapisane cyframi.
  7. Wykonaj kontrolę zakresu. Dla każdej zmiennej sprawdź wartości minimalne, maksymalne, liczbę braków i nietypowe kody.
  8. Zapisz plik i składnię. Sama baza .sav jest ważna, ale powtarzalność zwiększa zapisanie operacji w pliku składni SPSS.

Przykład 1: badanie pacjentów z nadciśnieniem

Załóżmy, że pielęgniarka koordynująca prowadzi badanie obserwacyjne 120 pacjentów. Jeden wiersz oznacza jednego pacjenta, a zmienne obejmują wiek, palenie tytoniu, ciśnienie przed wizytą i kontrolę ciśnienia po trzech miesiącach.

Name Label Values Missing Measure
id Identyfikator pacjenta brak brak Nominal
age_y Wiek pacjenta w latach brak 999 Scale
smoking Aktualne palenie tytoniu 0 = nie; 1 = tak 9 = brak odpowiedzi Nominal
sbp_t0 Ciśnienie skurczowe przed wizytą, mm Hg brak 999 Scale
controlled_t1 Kontrola ciśnienia po 3 miesiącach 0 = nie; 1 = tak 9 = brak pomiaru Nominal

W tym przykładzie kod 999 dla wieku i ciśnienia nie może być pozostawiony jako zwykła obserwacja. Przed analizą należy również sprawdzić, czy wartości takie jak 17 lat, 450 mm Hg albo −20 mm Hg są błędami wprowadzania, czy tylko nieprawdopodobnymi, ale możliwymi zapisami wymagającymi weryfikacji w dokumentacji. Samo ustawienie Measure = Scale nie rozwiązuje problemu jakości danych.

Przykład 2: kwestionariusz dobrostanu psychicznego

W badaniu studentów wykorzystano dziesięciopozycyjny kwestionariusz. Każda pozycja ma odpowiedzi od 1 do 5, a wynik całkowity jest sumą pozycji. Poszczególne itemy można opisać jako zmienne porządkowe, ponieważ odpowiedzi mają uporządkowanie. Wynik sumaryczny może natomiast otrzymać etykietę „Wynik całkowity kwestionariusza dobrostanu” i być rozważany jako zmienna ilościowa, jeżeli sposób konstrukcji skali i plan analizy to uzasadniają.

Trzeba sprawdzić, czy niektóre pozycje są kodowane odwrotnie. Jeżeli wyższa odpowiedź w jednym itemie oznacza gorszy dobrostan, należy przed obliczeniem wyniku całkowitego wykonać rekodowanie zgodnie z instrukcją narzędzia. W Variable View można opisać kody, ale nie można zakładać, że program sam rozpozna odwrócone pozycje.

Jeżeli odpowiedź „nie dotyczy” zakodowano jako 9, kod ten powinien zostać oznaczony jako brak użytkownika. Nie wolno sumować go z odpowiedziami 1–5. W przeciwnym razie wynik całkowity nie będzie miał interpretacji zgodnej z narzędziem pomiarowym.

Dlaczego opis bazy ma znaczenie dla raportowania?

Opis zmiennej w pliku nie zastępuje opisu metod w artykule, ale ułatwia jego przygotowanie. Wytyczne STROBE zalecają jasne zdefiniowanie wyników, ekspozycji, predyktorów, potencjalnych czynników zakłócających i modyfikatorów efektu, a także przedstawienie źródeł danych i sposobu pomiaru każdej ważnej zmiennej (von Elm et al., 2007; Vandenbroucke et al., 2007). Podobna zasada występuje w standardach APA JARS, które akcentują potrzebę przejrzystego opisu zmiennych, pomiaru i procedur analitycznych (Appelbaum et al., 2018).

W praktyce oznacza to, że nazwa „wynik leczenia” jest niewystarczająca. Trzeba określić, czy wynik oznacza poprawę objawów, zmianę ciśnienia, ponowną hospitalizację, śmiertelność, czy ocenę pacjenta w skali. Należy również wskazać punkt czasowy, jednostkę, regułę klasyfikacji i sposób postępowania z brakiem pomiaru.

Najczęstsze błędy

  • Traktowanie cyfr jako dowodu poziomu pomiaru. Kod 1 = „tak” jest nominalny, choć jest liczbą.
  • Brak etykiet wartości. Tabela z kategoriami 0, 1 i 2 jest trudna do interpretacji bez słownika kodów.
  • Używanie 0 jako braku danych. Zero może być prawdziwą wartością, na przykład brak dni hospitalizacji, brak objawów albo wynik 0 punktów.
  • Pozostawienie kodu 99 jako zwykłej liczby. Może to zniekształcić średnie, odchylenia standardowe, korelacje i modele.
  • Nadmiernie ogólne etykiety. „Waga” nie mówi, czy chodzi o kilogramy, samoocenę czy wartość z dokumentacji medycznej.
  • Pomijanie punktu czasowego. Zmienna pain może oznaczać ból przed leczeniem, po leczeniu albo podczas wypisu.
  • Automatyczne przyjmowanie propozycji SPSS. Program może zasugerować poziom pomiaru na podstawie wartości, ale nie zna konstruktu teoretycznego ani planu badania (IBM, 2026c).
  • Mylenie etykiety z rekodowaniem. Wpisanie „1 = kobieta” nie zmienia kodu ani nie porządkuje danych; tylko opisuje istniejącą wartość.
  • Brak rozróżnienia jednostki obserwacji. Jeżeli jeden pacjent ma kilka wizyt, trzeba wiedzieć, czy analiza dotyczy pacjentów, czy wizyt.
  • Opisywanie przyczynowości przez samą rolę zmiennej. Ustawienie „Input” lub „Target” nie dowodzi, że wynik został spowodowany przez predyktor.

Przykład praktyczny: kontrola bazy przed analizą

Badacz przygotowuje model oceniający, czy palenie tytoniu wiąże się z brakiem kontroli ciśnienia po trzech miesiącach. Przed wykonaniem regresji logistycznej powinien sprawdzić:

  1. czy każdy wiersz odpowiada jednej osobie;
  2. czy smoking ma wyłącznie wartości 0, 1 oraz zdefiniowany brak;
  3. czy controlled_t1 jest binarnym wynikiem z jasno opisanymi kategoriami;
  4. czy wiek jest wyrażony w latach, a nie na przykład w grupach zakodowanych 1–4;
  5. czy kody 9 i 999 zostały oznaczone jako braki użytkownika;
  6. czy w dokumentacji zdefiniowano, co oznacza „kontrola ciśnienia” i w jakim terminie ją oceniano;
  7. czy liczba analizowanych przypadków jest zgodna z liczbą obserwacji po uwzględnieniu braków.

Jeżeli dla części pacjentów nie wykonano pomiaru po trzech miesiącach, nie wolno po prostu uznać ich za osoby bez kontroli ciśnienia. Brak pomiaru i nieprawidłowy wynik to różne informacje. Sposób postępowania z brakami powinien być zaplanowany, opisany i uzasadniony. STROBE wymaga również wyjaśnienia, jak potraktowano brakujące dane w analizie (von Elm et al., 2007).

Variable View a dokumentacja i powtarzalność

Najlepszą praktyką jest traktowanie Variable View jako części większego słownika danych. Oprócz pliku SPSS warto przechowywać osobny dokument zawierający: definicję jednostki obserwacji, źródło każdej zmiennej, sposób pomiaru, zakres wartości, kody specjalne, reguły rekodowania i datę ostatniej modyfikacji. Przydatne jest także zapisanie składni SPSS, która tworzy etykiety i wartości brakujące. Dzięki temu można odtworzyć opis bazy po imporcie danych albo po połączeniu kilku plików.

Dotyczy to szczególnie projektów wieloetapowych. Jeżeli jedna osoba wpisuje dane, druga wykonuje kontrolę jakości, a trzecia prowadzi analizę, nie można polegać wyłącznie na pamięci autora. Przejrzyste metadane zmniejszają ryzyko pomyłek i ułatwiają audyt.

Co warto zapamiętać?

  • Variable View jest słownikiem bazy danych, a nie tylko ustawieniem wyglądu arkusza.
  • Nazwa techniczna i etykieta opisowa pełnią różne funkcje. Nazwa powinna być krótka, a etykieta – informacyjna.
  • Kody kategorii trzeba opisać. Liczba bez etykiety nie mówi, co oznacza.
  • Braki danych muszą być zdefiniowane jawnie. Kod 99 pozostaje zwykłą wartością, dopóki nie oznaczysz go jako brak użytkownika.
  • Poziom pomiaru wynika ze znaczenia zmiennej, nie z samego formatu zapisu.
  • Role zmiennych pomagają organizować pracę, ale nie zastępują planu badania.
  • Opis bazy powinien być zgodny z opisem metod. W publikacji trzeba wyjaśnić, co mierzono, kiedy, jak i jak potraktowano braki.
  • Przed analizą wykonaj kontrolę zakresów i częstości. Dobrze opisany Variable View ułatwia wykrywanie błędów, ale ich nie wykrywa automatycznie.

Poprawne opisanie bazy jest jednym z najprostszych sposobów podniesienia jakości całego projektu. Nie zastępuje doboru właściwej metody statystycznej, lecz tworzy warunki, w których wynik analizy może być prawidłowo zinterpretowany i odtworzony.

Źródła i dalsza lektura

  1. IBM Corp. (2026). Variable View. IBM Documentation: IBM SPSS Statistics. IBM Corp.. Źródło.
  2. IBM Corp. (2026). To Define Variable Properties. IBM Documentation: IBM SPSS Statistics. IBM Corp.. Źródło.
  3. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Bulletin of the World Health Organization, 85(11), 867–872. DOI: 10.2471/BLT.07.045120.
  4. Vandenbroucke, J. P.; von Elm, E.; Altman, D. G.; Gøtzsche, P. C.; Mulrow, C. D.; Pocock, S. J.; Poole, C.; Schlesselman, J. M.; Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. PLOS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.
  5. Appelbaum, M.; Cooper, H.; Kline, R. B.; Mayo-Wilson, E.; Nezu, A. M.; Rao, S. M.; APA Publications and Communications Board Working Group on Journal Article Reporting Standards (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
  6. Bland, J. M.; Altman, D. G. (1996). Statistics Notes: Transforming data. BMJ, 312(7033), 770. DOI: 10.1136/bmj.312.7033.770.

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.

Podobne wpisy

Jeden komentarz

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *