第一节
资料预处理

进行科学研究时，根据研究目的和要求，通过查阅文献、现场调查、组织实验等途径可以搜集到所需的原始资料。但在对杂乱无章的原始资料进行统计分析之前，往往需要先对其进行适当的处理，使之系统化、条理化，即资料的预处理。资料的预处理直接决定了分析资料的质量与效率，影响统计分析结果的可靠性和最终决策的科学性。一般来讲，资料的预处理包括数据的审核、筛选和整理。

一、数据审核

（一）数据审核的内容

1.完整性 即研究所需的资料是否全部得到，有无缺项、漏项等现象。完整性是保证资料质量的基础，主要检查原始资料有无遗漏或重复，内容是否齐全。

2.真实性 即判断原始资料有无伪造、篡改数据等现象。真实性是对资料最基本的要求。

3.准确性 即原始资料是否准确、可靠。准确性是资料质量的核心，资料不准确将导致错误的结论。

4.及时性 即是否按时获取资料，有无拖延。及时是保证资料完整性的先决条件，若未能在规定期限内完成资料的搜集，应检查其原因，并提出改进和解决的办法。

5.可比性 即资料的信息来源、抽样方法、样本含量、基线资料、选择条件、观测或试验条件、相关标准等方面是否相同或相似，是否具有可比性。

（二）数据审核的方法

1.缺项检查 缺项指对调查表中某些项目未予回答。若所缺项目对于研究来说必不可少，那么这部分调查表就成了废表，需予以剔除，如儿童生长发育调查中的儿童性别、年龄。有时，虽然所缺项目的内容也非常重要，但为了避免因剔除过多而导致的调查表回收率过低，就对缺项作为单项缺失进行处理。如调查1500名正常成年人的血液红细胞、白细胞、血小板正常值范围，其中有3人血小板数未填入，那么在统计红细胞和白细胞时可按1500人计算，而统计血小板时以1497人计算。

2.范围检查 包括两方面：①已调查或研究的个体是否属于规定的研究对象范围：如在胃癌流行病学调查的病例-对照研究中，对病例组首先要确认胃癌患者的诊断无误。如果有慢性胃炎、胃溃疡等患者混入，则调查结果易出现假象。②是否存在调查或研究对象的漏失问题：应调查对象的调查率当然越高越好，但实际工作中很难做到100%。为了避免和减少因调查率太低而引起的资料偏性，对调查对象一般除了出差、病危等特殊情况外都应调查到。

3.专业检查 即从专业的角度来发现和纠正错误，如在某些调查表中出现女性病人患阴茎癌、6岁孩子患中风等明显错误的情况，对于这种调查表应予以作废。

4.统计检查 即按统计学要求发现和纠正错误。许多数据都有统计规律，如事物内部各部分构成比之和必须等于100%，符合正态分布的指标数值在均数加减2.58倍标准差范围内的应占99%。

5.逻辑检查 即根据指标本身或指标间的内在联系，利用逻辑关系检查指标之间或数据之间有无矛盾。如统计表中，横向、纵向的合计和总合计是否吻合，对不合理或错误的项目必须复查、纠正或舍弃。

6.计算机检查 传统的资料检查方法是以人工方式逐份对调查表作检查，虽然检查全面，但工作量大、易出现遗漏。而借助计算机，把资料内容编写为程序，进行独立双份双机录入，计算机程序就会对数据库中的数据进行一致性检查，准确无误地判断出两次录入的不吻合之处，并生成数据校正表，便于研究者校对、修改直至两个库完全一致。但计算机一般只能检查出逻辑性错误和录入错误，或者进行简单的专业检查。实际应用中，可把人工检查和计算机检查结合起来，以保证数据的质量。

二、数据筛选与处理

（一）数据筛选

数据筛选通常包括两方面：

1.纠错或剔除 一般经数据审核中的专业检查、统计检查、逻辑检查和计算机检查等可以发现数据中的错误，然后通过核对，对错误数据进行纠正，无法纠正者予以剔除。

2.筛选数据 通过资料搜集可得到大量数据，但有时并非所有数据都与研究目的有关。此时，需要根据研究目的或要求，从所有数据中选择研究所需资料。

（二）数据处理

1.变量设置 统计资料一般分为数值型和分类型两种。数值型资料有确切的观测值，可直接录入计算机，如人的身高、体重等。分类型资料则需要进行数量化处理之后，计算机才能识别和运算。总之，变量的设置方式比较灵活，应综合考虑资料的类型、研究目的、变量的分布以及统计分析方法的应用条件。

2.离群值的处理 离群值（outlier）即个别离群较远的数据。一般认为在平均数±3倍标准差以外区域出现的点所对应的原始数据为离群值；在平均数±2倍标准差以外、平均数±3倍标准差以内区域出现的点对应的原始数据可能为离群值。在离群值产生原因未明之前，不能简单决定其取舍，尤其是观测值个数较少时，离群值的取舍对分析结果会产生很大影响，须慎重对待。其处理分两种情况：①若确认数据有逻辑错误，又无法纠正，可把数据直接删除。②若数据并无明显的逻辑错误，可将该数据剔除前后各做一次分析，若两次结果不矛盾，则不剔除；若结果矛盾，并需要剔除，须给出充分合理的解释。

3.缺失值的处理 缺失值（missing data）即在统计资料构成的行列表中，行列相交的单元格中未能记录应有的数据。数据缺失是统计资料中常见的问题，其危害大小取决于缺失的方式、缺失数据的数量和缺失的原因，其中最重要的是缺失方式。缺失值的处理常见的有删除存在缺失值的记录或变量，估计缺失值和建立哑变量等，应根据具体情况选择适当的处理方法。

4.数据分组 数据分组的方法很多，最常用的是：①数量分组：即按照研究对象某项指标数量的大小进行分组，如按照年龄的大小、血压的高低等分组，适用于数值型资料。②性质分组：即按照研究对象的性质、特征或类型等分组，如按照性别、血型等分组，适用于分类型资料。

5.数据排序 有时需要对数据进行排序，常见的排序方法有升序、降序和按习惯排序等。

三、统计表与统计图的绘制

进行统计描述时，统计表（statistical table）和统计图（statistical graph）可以揭示资料的特征和分布规律，是展示资料分析结果的重要工具。好的统计表可代替冗长的文字叙述，简明扼要的表达分析结果。而合适的统计图能够直观形象地展示资料特征，给读者留下深刻印象。统计图表的选择应根据研究目的而定，若强调数值的精确，往往采用表格形式；若强调数据的分布特征或变化趋势，则采用图示方法。在实际应用中，往往将二者结合起来使用。

（一）统计表

统计表有广义统计表和狭义统计表之分。广义统计表指统计工作中使用的所有表格，包括统计调查表、统计整理表、统计计算表、统计分析表、统计工具表等；狭义统计表指统计分析表，即将观测指标及其取值按照一定的顺序排列起来所制成的特定表格。通常所说的统计表指狭义统计表。统计表是研究报告和科研论文中表达统计分析结果的常用方式，不仅简明扼要、层次清楚，而且便于进一步的计算、分析和比较。

1.统计表的基本结构 统计表一般由表号和标题、标目、线条、数字、备注五部分构成。

（1）表号和标题　表号按照表格在文中出现的顺序列出，以便查找和引用。表号以阿拉伯数字表示，其后留空格，然后是标题。标题需简明扼要的表达统计表的主要内容，流行病学调查须注明时间和地点。表号和标题位于统计表的上方中央。

（2）标目　通常分为横标目和纵标目。横标目位于表格的左侧，用于说明每行数字或内容的含义；纵标目位于表格的上方，用来说明每列数字或内容的含义。一般要求标目须文字简洁，层次清楚，一张表格内不要安排过多的标目，有单位的标目还应标明度量单位。

（3）线条　统计表内线条不宜过多，常用“三线表”，包括顶线、底线和标目分隔线三条等长的横线。部分表格可再用短横线将合计栏分隔开（一般主张省略），或用短横线将两重纵标目分隔开，见表3-2。其他竖线和斜线一律省去。

（4）数字　用阿拉伯数字表示。表格内的数字必须准确无误，同一指标的小数位数要一致，上下以个位对齐。表格内不留空格，无数字用“—”表示，缺失数字用“…”表示，数字为0则记为“0”。

（5）备注　是对表格内容的补充说明，根据实际需要添加。一般不列入表内，必要时用“*”等符号标出，放在表格的下方。

2.统计表的种类 统计表包括简单表、组合表、频数分布表和列联表等，这里主要介绍简单表和组合表。

（1）简单表　统计表的主语只有一个层次，称简单表（simple table）。

【例3-1】 2013版《中国统计年鉴》给出了2012年北京和天津地区村卫生室的构成情况，具体见表3-1。该表只有地区分组一个层次，即只有一个分组标志，属于简单表。

（2）组合表　统计表的主语有两个及以上层次，称为组合表（combinative table）。

【例3-2】 2013版《中国统计年鉴》给出了2012年北京和天津两地城镇和农村居民的消费支出情况，具体见表3-2。该表有地区和城乡分组两个层次，属于组合表。

3.统计表的制表原则

（1）重点突出　一张表格只表达一个中心内容。与其把过多的内容放在一个庞杂的表格里，不如用多个表格表达不同的指标和内容。

（2）层次清楚　统计表由左向右阅读时能构成一个完整的语句，有其描述对象（主语）和内容（宾语）。通常主语放在表格的左侧，作为横标目；宾语放在表格的上方，作为纵标目。

（3）简单明了　表格中文字、数字和线条都应尽量从简，使人一目了然。

（二）统计图

统计图是用“点、线、面、体”等几何图形来形象地表达资料的数量特征、数量关系或动态变化。主要用于揭示各种现象间的数量差别和相互关系，说明研究对象的内部构成和动态变化等，具有形象直观、易于理解等优点。但统计图一般只能提供资料的概略情况，而不能获得确切数值，因此不能完全取代统计表，常需同时列出统计表作为统计图的数值依据。

1.统计图的种类 统计图的种类很多。常用的统计图有直方图、直条图、散点图、百分条图、圆图、线图、半对数线图等。

2.统计图的制图原则

（1）图形　根据资料性质和分析目的选择适当的统计图。

（2）图号和标题　每一张统计图都有图号和标题。图号应按统计图在文中出现的顺序排列，以便查找和引用。标题要简明扼要地说明图形表达的主要内容，流行病学调查应注明时间和地点。图号和标题一般位于统计图的下方中央。

（3）坐标　统计图一般有横轴和纵轴，并分别用横标目和纵标目说明横轴和纵轴代表的指标和单位。两轴要标明尺度，横轴尺度自左向右，纵轴尺度自下而上，数量一律由小到大，并等距标明。直方图和直条图的纵坐标应从0开始，而横轴刻度只需标出指标的实测范围即可。

（4）长宽比例　统计图的纵横比例一般以5∶7左右比较美观，但为了说明问题也可灵活掌握。

（5）图例　比较不同事物时，常选用不同线条或颜色表示，并附图例加以说明。图例可放在图的右上角空隙处或下方的适当位置。 mwbZfHTcO7VcZ2Kmjsqz7EcBHvzDapOGKPPViv9gt4BdIqKBPZp7XY6n9PivHumi