Prace dyplomowe · Metoda

Analiza gotowych danych w pracy – jak opisać źródło, zmienne i ograniczenia

Gotowy podrozdział „Metoda” dla pracy na danych z sondażu, GUS lub bazy instytucji: opis źródła, wybór fali, próba analityczna, zmienne, wagi i to, co wolno napisać we wnioskach, z kodem R na symulowanym pliku.

Strona główna / Blog / Analiza gotowych danych
W skrócie: W pracy na gotowych danych oddziel to, co zrobił dostawca, od swoich decyzji. Opisz źródło (kto, kiedy, jak, kogo), falę i edycję, przejście od pliku do próby analitycznej, dopasowanie zmiennych do pojęć i schemat doboru. W symulowanym sondażu pozostawienie kodów braków dało średnio 307.13 godziny pracy, a uwzględnienie schematu zwiększyło błąd standardowy średniej z 0.063 do 0.083. Pełny przykład pokazuje też, czego nie zmierzono i jak o tym napisać.

Gotowe dane to też metoda, tylko część decyzji podjął ktoś inny

Analiza gotowych danych polega na tym, że odpowiadasz na własne pytanie na pliku, którego sam(a) nie zbierałeś(-aś): z dużego sondażu, statystyki publicznej albo bazy instytucji. Smith i in. (2011) podkreślają, że obowiązują tu te same zasady co w badaniu pierwotnym: jasne pytanie, właściwa próba, adekwatne miary i przemyślana analiza. Inny jest podział odpowiedzialności. W rozdziale metody musisz oddzielić to, co zrobił dostawca danych, od tego, co zdecydowałeś(-aś) Ty.

Ten wpis dotyczy tekstu pracy. Rodzaje ponownej analizy, licencje i prerejestrację opisuje reanaliza i wtórna analiza danych, a dostęp do ESS, PGSS i Diagnozy Społecznej oraz wybór konkretnej wagi – analiza danych z dużych badań sondażowych. Kartę ekstrakcji z dokumentacji medycznej znajdziesz we wpisie o badaniu retrospektywnym, a miejsce danych wtórnych w całej pracy pokazuje praca z socjologii.

Przykład przewodni (fikcyjny, dane symulowane). Studentka zarządzania pyta, czy dłuższy tydzień pracy wiąże się z niższym zadowoleniem z życia osób pracujących w wieku 25–64 lat. Korzysta z pliku „Sondaż Warunków Życia 2024”. Nazwa badania, instytucje i wszystkie liczby są zmyślone i nie odpowiadają żadnemu rzeczywistemu sondażowi ani danym GUS. Schemat jest typowy dla dużych badań: 6 warstw, po 20 pierwotnych jednostek losowania (PSU), po 22 adresy w każdej, jedna osoba w gospodarstwie.

Opis źródła: pięć pytań, na które odpowiada dokumentacja

Sørensen i in. (1996) oceniają wtórne źródła danych pod kątem kompletności rejestracji osób, dokładności i kompletności zapisów, wielkości źródła, okresu rejestracji, dostępności i kosztu, formatu oraz możliwości łączenia z innymi danymi. Autorzy piszą o epidemiologii, ale ta lista dobrze działa także w innych dziedzinach. Tabela przekłada ją na trzy najczęstsze rodzaje źródeł. Odpowiedzi szukaj w dokumentacji technicznej, kwestionariuszu i książce kodowej, a nie w artykułach, które z tych danych korzystały.

Pięć pytań o źródło danych dla sondażu, statystyki publicznej i bazy instytucji
PytanieDuży sondażGUS i inna statystyka publicznaDokumentacja lub baza instytucji
Kto i po coZespół lub konsorcjum, cel pomiaruUrząd, cel statystyczny, podstawa publikacji wskaźnikaPlacówka lub firma; dane powstały przy bieżącej pracy
KiedyRok, fala, daty realizacjiRok, stan na dzień, okres objętyOkres, zmiany systemu i formularzy
JakTryb, dosłowne brzmienie pytań, ankieterzyDefinicja wskaźnika i jej zmiany w czasieKto wpisuje, które pola są obowiązkowe, jakie kody
Kogo obejmujePopulacja, operat, schemat doboru, realizacjaJednostka (np. powiat lub gmina) i zasięgKogo system widzi, a kogo w nim nie ma
Na jakich warunkachRejestracja, warunki użycia, wzór cytowania, edycja pliku, data pobraniaNazwa tabeli, data pobrania; mikrodane to zwykle osobna ścieżka dostępuPisemna zgoda, kto wyciągnął dane, zakres i forma pseudonimizacji

Dane administracyjne wymagają tej samej krytycznej oceny co każde inne. Hand (2018) przypomina, że powstają zwykle jako skutek uboczny działań operacyjnych. Praktyczny skutek jest prosty: pola niepotrzebne do bieżącej pracy mogą być niekompletne. Dlatego przy bazie instytucji opisz proces powstawania wpisu, a nie tylko nazwę systemu.

Wybór fali i edycji: uzasadnij je przed obejrzeniem wyników

Falę wybierasz według pytania: czy zawiera potrzebny moduł, czy brzmienie pytań było takie samo, czy okres ma dla tematu znaczenie. Argument „najnowsza dostępna” jest poprawny, o ile to rzeczywiście powód wyboru. Argument „w tej fali wyszło istotnie” dyskwalifikuje analizę. Przy gotowych danych łatwiej o to, niż się wydaje, bo znasz opublikowane wyniki. Weston i in. (2019) opisują praktyki zwiększające przejrzystość takich analiz, a szablon Van den Akkera i in. (2021) służy do prerejestracji planu z uwzględnieniem wcześniejszej znajomości zbioru. W pracy dyplomowej wystarczy dziennik decyzji z datami i jedno zdanie o tym, co znałeś(-aś) przed analizą.

Zapisz numer edycji pliku i datę pobrania. Kolejna edycja tej samej fali może mieć poprawione dane, a liczby wtedy się zmienią. Jeżeli łączysz kilka fal przekrojowych, to wciąż są różne osoby, więc nie pisz o „zmianie u respondentów”.

Próba analityczna: od pliku do osób, które naprawdę analizujesz

W gotowych danych próba badania i próba analityczna to dwie różne rzeczy. Rysunek 1 oddziela etapy dostawcy od Twoich. Górne liczby tylko raportujesz. Dolne wynikają z kryteriów, które ustalasz w swojej pracy, więc każde musi mieć uzasadnienie w pytaniu badawczym. Logikę takiego diagramu omawia wpis o przepływie respondentów, a rysunek przygotujesz w generatorze diagramu.

Diagram przepływu. Od 2640 wylosowanych adresów przez 1577 wywiadów w pliku, 1155 osób w wieku 25–64 lata, 920 pracujących, 872 ze znanymi i wiarygodnymi godzinami pracy do próby analitycznej 853 osób. Po prawej powody ubytku: bez wywiadu 1063, inny wiek 422, niepracujący 235, odmowa 19, nie wiem 27 i poza zakresem 2, brak odpowiedzi o zadowolenie 19.
Rysunek 1. Od wylosowanych adresów do próby analitycznej. Szare pola to etapy dostawcy danych, niebieskie i czerwone – decyzje autorki pracy. Obliczenia: R (dane symulowane).

Najpierw kody specjalne. W wielu dużych zbiorach brak odpowiedzi to liczba: tu 666 (nie dotyczy), 777 (odmowa), 888 (nie wiem) dla godzin oraz 77 i 88 dla zadowolenia. Jeśli zostawisz je w danych, średnia tygodniowa liczba godzin w pliku wyniesie 307.13, a średnie zadowolenie 8.13 zamiast 6.59. Taki błąd łatwo zauważyć przy godzinach, a dużo trudniej przy skali 0–10. Przed analizą sprawdź zakresy według reguł kontroli danych.

Różne braki znaczą co innego. „Nie dotyczy” to osoba spoza pytania, a „odmowa” i „nie wiem” to braki danych w ścisłym sensie. Wśród 920 pracujących brakowało godzin u 46 osób, a 2 osoby podały wartość spoza zakresu ustalonego z góry. Przy ubytku z powodu braków porównaj osoby włączone i utracone. Tu utracono 65 z 918 osób (7.1%): były starsze (ważona średnia wieku 47.6 wobec 43.8 lat) i częściej były to kobiety (61.2% wobec 51.5%), a odsetek osób z wyższym wykształceniem był podobny (48.7% i 49.3%).

Dopasowanie zmiennych do pojęć: napisz, czego nie zmierzono

W badaniu własnym dobierasz narzędzie do pojęcia. Tu robisz odwrotnie: masz pytania z kwestionariusza i musisz uczciwie powiedzieć, które pojęcie przybliżają. To jest sedno operacjonalizacji w danych wtórnych, a recenzenci często pytają właśnie o to. Tabelę taką jak poniższa warto umieścić w metodzie.

Dopasowanie zmiennych z pliku do pojęć z przykładu: co wskaźnik obejmuje i czego nie mierzy
Pojęcie w pracyZmienna w plikuCo obejmujeCzego nie mierzy
Obciążenie czasem pracyZwykle przepracowane godziny tygodniowo (samoopis)Deklarowany czas pracy zarobkowejIntensywności pracy, nadgodzin niezapisanych, pracy nieodpłatnej, pracy w domu
Zadowolenie z życiaJedno pytanie 0–10Ogólną ocenę z chwili badaniaWymiarów zadowolenia; rzetelności nie policzysz, bo jest jedna pozycja
WykształcenieTrzy kategorie (po recodingu)Poziom formalnyKierunku i dopasowania do pracy; wzór łączenia kategorii podaj w metodzie
Status zatrudnieniaGłówna aktywność w chwili badaniaDeklarację w jednym momencieHistorii pracy i niepewności zatrudnienia

Najczęstszy błąd polega na tym, że nazwa zmiennej rośnie w tekście. Studentka nie zbadała „przeciążenia pracą”, bo nikt o nie nie pytał. Zbadała zadeklarowany czas pracy. Jeśli w temacie pracy jest pojęcie szersze niż wskaźnik, zapisz to w ograniczeniach i nie zastępuj wskaźnika nazwą pojęcia w wynikach.

Wagi, schemat i podpopulacja: cztery sposoby liczenia

West i in. (2016) oceniają, że pomijanie złożonego schematu doboru w analizach wtórnych wydaje się bardzo częste i prowadzi do obciążonych oszacowań oraz błędów standardowych niezgodnych ze schematem. Jak powstają wagi, wyjaśnia wpis o ważeniu danych sondażowych. Tu liczy się inna sprawa: gdy analizujesz tylko część próby, schemat trzeba opisać dla całego pliku, a grupę wskazać później. West i in. (2008) omawiają dwa podejścia do analizy podpopulacji i konsekwencje każdego z nich dla wnioskowania. W R służy do tego funkcja subset() z pakietu survey (Lumley, 2004) wywołana na obiekcie schematu.

Dwa panele z oszacowaniami i 95% przedziałami ufności dla czterech wariantów analizy. Średnie zadowolenie: bez wag 6.76 [6.63, 6.88], wagi bez schematu 6.80 [6.66, 6.94], schemat po usunięciu wierszy i schemat z podpopulacją 6.80 [6.63, 6.96]. Współczynnik dla 10 godzin pracy we wszystkich wariantach około −0.41, przedziały od około −0.55 do −0.28.
Rysunek 2. Ta sama analiza policzona czterema sposobami. Obliczenia: R (dane symulowane).

W przykładzie wagi przesuwają średnią niewiele (6.76 bez wag i 6.80 z wagami). Inaczej zachowuje się precyzja. Błąd standardowy średniej zadowolenia wynosi 0.063 bez wag, 0.071 z wagami bez warstw i PSU, a 0.083 ze schematem. Wariancja jest 1.76 razy większa niż przy wzorze dla prostej próby, więc 853 osoby niosą tu tyle informacji co około 486 osób z prostej próby losowej (efekt schematu). Współczynnik dla czasu pracy prawie się nie zmienia (−0.415 bez wag i −0.414 ze schematem, SE odpowiednio 0.067 i 0.068), bo godziny różnią się głównie między osobami w tej samej PSU. Nie uogólniaj tego na swoje dane: to, czy schemat zmienia wnioski z modelu, zależy od zmiennych. W szerokiej grupie usunięcie wierszy dało ten sam wynik co subset(), ale w wąskiej (60–64 lata, 46 osób w 39 z 120 PSU) błąd standardowy wyniósł 0.377 zamiast 0.363. Skrót działa więc, dopóki grupa jest duża, a poprawne polecenie nic nie kosztuje.

GUS i dane instytucji: co zmienia się w opisie

Dane zagregowane. Tabele GUS, np. z Banku Danych Lokalnych, mówią zwykle o jednostkach terytorialnych, a nie o osobach. Jednostką analizy jest wtedy powiat lub gmina, a zależności między obszarami nie przenoszą się na ludzi (błąd ekologiczny). Opisz definicję wskaźnika, rok, zmiany granic lub metodologii i to, czy wskaźnik przeliczono na liczbę mieszkańców. Obszarów w kraju jest skończona liczba, więc napisz też, co w takim badaniu znaczy wnioskowanie o populacji. Analizę paneli spółek opisuje wpis o pracy z finansów i rachunkowości.

Dane instytucji. Benchimol i in. (2015) w wytycznych RECORD, rozszerzających STROBE na dane zbierane rutynowo, wymagają m.in. podania kodów i algorytmów użytych do identyfikacji badanych i klasyfikacji zmiennych, opisu dostępu badaczy do bazy i metod czyszczenia danych. To dobra lista także poza medycyną, np. przy danych z ośrodka pomocy społecznej czy szkoły. Porównanie wytycznych raportowania pomoże wybrać właściwą listę. Instytucja bywa też zarówno źródłem danych, jak i miejscem ocenianego działania; wtedy zobacz wpis o ewaluacji programu, a w badaniach w małych zespołach zadbaj o to, by nikt nie dał się rozpoznać.

Gotowy podrozdział „Metoda” z komentarzem

Układ jest zgodny z poradnikiem o rozdziale metodologicznym. Akapity pasują do danych przykładu, a nawiasy kwadratowe uzupełnij własnymi informacjami.

Źródło danych

Jak bywa napisane: „W pracy wykorzystano dane z dużego ogólnopolskiego badania, które jest reprezentatywne dla Polski”.

Co jest nie tak: nie wiadomo, kto, kiedy i jak je zebrał, ani której edycji użyto. Słowo „reprezentatywne” nic nie mówi o schemacie doboru.

Analizę oparto na danych z Sondażu Warunków Życia 2024 [numer edycji pliku, DOI lub sygnatura; data pobrania], przeprowadzonego przez [instytucja] w celu [cel]. Populację stanowiły osoby w wieku co najmniej 18 lat mieszkające w gospodarstwach domowych. Dobór był warstwowy i dwustopniowy: w 6 warstwach wylosowano po 20 pierwotnych jednostek losowania, w każdej z nich 22 adresy, a pod adresem jedną osobę dorosłą. Z 2640 wylosowanych adresów uzyskano 1577 wywiadów (59.7%). Dane zebrano [tryb] w okresie [od–do]. Autorka nie uczestniczyła w zbieraniu danych; plik udostępniono jej na warunkach określonych przez [archiwum lub instytucję].

Odsetek realizacji podaj tak, jak definiuje go dostawca, i zaznacz tę definicję. Liczbę adresów bez wywiadu w tym przykładzie policzono prosto, a rzeczywista dokumentacja rozróżnia kategorie nierealizacji i podaje je osobno.

Próba analityczna

Jak bywa napisane: „W badaniu wzięły udział 853 osoby”.

Co jest nie tak: sugeruje, że tylu było badanych, a to wynik selekcji w pliku.

Z 1577 osób w pliku do próby analitycznej zakwalifikowano osoby w wieku 25–64 lat (n = 1155) wykonujące pracę zarobkową w chwili badania (n = 920). Następnie wyłączono 46 osób bez informacji o czasie pracy (19 odmów, 27 odpowiedzi „nie wiem”), 2 osoby z wartością spoza zakresu 1–84 godzin ustalonego przed analizą oraz 19 osób bez odpowiedzi o zadowoleniu z życia. Analizowano 853 osoby. Przebieg doboru przedstawia Rysunek 1.

Zmienne

Jak bywa napisane: „Przeciążenie pracą mierzono liczbą godzin”.

Co jest nie tak: liczba godzin nie jest miarą przeciążenia, a czytelnik nie zna brzmienia pytania.

Zmienną objaśnianą było zadowolenie z życia mierzone jednym pytaniem na skali od 0 do 10. Zmienną objaśniającą był zadeklarowany tygodniowy czas pracy w godzinach, przyjęty jako przybliżenie obciążenia czasem pracy; plik nie zawiera informacji o intensywności pracy ani o pracy nieodpłatnej. Jako zmienne kontrolne uwzględniono wiek, płeć i wykształcenie [trzy kategorie; sposób łączenia], ponieważ [uzasadnienie]. Brzmienie pytań przytoczono w [załącznik].

Braki danych

Jak bywa napisane: „Usunięto braki danych”.

Co jest nie tak: nie wiadomo, jakie, ile i u kogo.

Kody specjalne zamieniono na braki danych według książki kodowej, zachowując osobno powód braku (odmowa, nie wiem, nie dotyczy). Odpowiedzi „nie dotyczy” nie uznano za braki w pytaniu o czas pracy, ponieważ dotyczyły osób niepracujących, wyłączonych wcześniej. Z powodu braków utracono 65 z 918 osób (7.1%). Były one starsze niż osoby analizowane (ważona średnia wieku 47.6 wobec 43.8 lat) i częściej były to kobiety (61.2% wobec 51.5%). Analizę przeprowadzono na przypadkach kompletnych.

Przy większym ubytku rozważ imputację, zgodną ze schematem, albo analizę wrażliwości i uzasadnij wybór.

Wagi i plan analizy

Jak bywa napisane: „Zastosowano regresję liniową w programie R”.

Co jest nie tak: brak informacji o wadze, warstwach i PSU, a więc o tym, skąd biorą się przedziały ufności.

Analizy przeprowadzono w R z użyciem pakietu survey, uwzględniając warstwy, pierwotne jednostki losowania i wagę poststratyfikacyjną przygotowaną przez autorów badania. Schemat doboru zdefiniowano dla całego pliku, a próbę analityczną wyodrębniono jako podpopulację. Błędy standardowe oszacowano przez linearyzację. Związek czasu pracy z zadowoleniem oszacowano w regresji liniowej z kontrolą wieku, płci i wykształcenia. Wyniki podano z 95% przedziałami ufności (liczba stopni swobody schematu: 114). Przed analizą autorka znała [opublikowane wyniki na tym zbiorze]; plan analizy zapisano [gdzie i kiedy].

Etyka i warunki użycia

Zapytaj komisję albo promotora, czy analiza gotowych danych wymaga zgody komisji bioetycznej, i zapisz odpowiedź. Zależy to od uczelni, rodzaju danych i zakresu zgód uczestników. Nie dołączaj surowego pliku do pracy, jeśli warunki użycia na to nie pozwalają, i nie próbuj identyfikować osób.

Analizowano dane w postaci [zanonimizowanej lub pseudonimizowanej], udostępnione na podstawie [regulamin lub pisemna zgoda]. W sprawie opinii komisji bioetycznej: [numer i data albo informacja o niewymaganiu opinii, według zasad uczelni]. Dane cytowano zgodnie z zaleceniami dostawcy.

Co wolno napisać we wnioskach

Gotowy plik z jednego pomiaru to nadal schemat przekrojowy, a duża próba tego nie zmienia. Ogólne zasady znajdziesz w poradniku o wnioskach i rekomendacjach.

Sformułowania wniosków z analizy gotowych danych: czego unikać i co napisać
ZamiastNapiszDlaczego
„Długi czas pracy obniża zadowolenie”„Osoby pracujące dłużej deklarowały niższe zadowolenie”Dane przekrojowe, Brak kierunku
„Przeciążenie pracą wiąże się…”„Dłuższy zadeklarowany czas pracy wiązał się…”Nazwij to, co zmierzono
„Polacy są zadowoleni z życia”„W populacji pracujących w wieku 25–64 lat objętej badaniem średni wynik wyniósł…”Uogólnienie tylko na populację z operatu
„Próba jest reprezentatywna, bo ma 853 osoby”„Próba pochodzi z doboru losowego, a wagi korygują znane różnice w strukturze wieku i płci”Wagi nie usuwają nieobserwowanych różnic
„W powiatach o wyższym bezrobociu mieszkańcy są mniej zadowoleni”„Powiaty o wyższym bezrobociu miały niższy średni wynik”Wniosek o obszarach, a nie o osobach

Akapity z przykładu:

Po uwzględnieniu schematu doboru średnie zadowolenie z życia osób pracujących w wieku 25–64 lat (n = 853) wyniosło 6.80, 95% CI [6.63, 6.96], a średni tygodniowy czas pracy 39.78 godziny, 95% CI [38.83, 40.73]. Po uwzględnieniu wieku, płci i wykształcenia każde dodatkowe 10 godzin pracy tygodniowo wiązało się z zadowoleniem niższym o 0.41 punktu, b = −0.41, SE = 0.07, 95% CI [−0.55, −0.28], p < .001.
Dane nie były zbierane z myślą o tym pytaniu badawczym. Czas pracy jest przybliżeniem obciążenia pracą i nie obejmuje intensywności pracy, a zadowolenie mierzono jedną pozycją, co uniemożliwia ocenę rzetelności. Schemat przekrojowy nie pozwala ustalić kierunku związku. Odsetek realizacji wyniósł 59.7%, a wagi korygują jedynie znane różnice w strukturze próby. Wnioski odnoszą się do populacji objętej badaniem w [okres].

Pełny schemat tej części opisuje wpis o ograniczeniach badania. Dane, nazwa badania i wyniki w powyższych akapitach są fikcyjne, a nawiasy kwadratowe uzupełnij informacjami o rzeczywistym zbiorze.

Na co zwrócić uwagę w różnych dziedzinach

To obserwacje ogólne; wymagania uczelni i promotora mają pierwszeństwo.

Na co zwrócić uwagę przy gotowych danych w pięciu dziedzinach
DziedzinaTypowe źródłoNajczęstsze ryzykoCo często dopisać
PsychologiaSondaż, otwarty zbiór z badaniaSkrócone skale, jedna pozycja jako konstruktTrafność wskaźnika, znajomość wyników przed analizą
Zdrowie publiczneBadania populacyjne, statystyka publicznaSamoopis stanu zdrowia, porównania obszarówDefinicje wskaźników, błąd ekologiczny, STROBE
Pielęgniarstwo i medycynaDokumentacja, rejestryKompletność wpisów, kody rozpoznańRECORD, algorytm identyfikacji, zgoda instytucji
Zarządzanie i finanseSprawozdania, bazy firm, panel powiatówDobór spółek, zmiany definicji w czasieOkres, wykluczenia, wzory wskaźników
Praca socjalnaBazy ośrodkówZależność od instytucji, małe zespołyJak chroniono anonimowość, kto przygotował wyciąg

Najczęstsze błędy

  • „Reprezentatywne” bez schematu. Słowo nie zastępuje opisu operatu, doboru i realizacji.
  • Kody braków w średnich. W przykładzie 777 i 888 podniosły średnią godzin do 307.13.
  • Filtrowanie wierszy przed zdefiniowaniem schematu. Przy małej grupie zmienia błędy standardowe.
  • Waga bez warstw i PSU. Przedział dla średniej był węższy niż ze schematem (SE 0.071 wobec 0.083).
  • Nazwa pojęcia zamiast nazwy zmiennej w tytule tabeli i wnioskach.
  • Brak edycji pliku i daty pobrania. Nikt nie odtworzy wyniku.
  • Dopasowanie fali do wyniku i kryteriów próby do istotności.
  • Wnioski o ludziach z danych o powiatach.
  • Traktowanie wielu fal jak panelu, gdy w każdej są inni respondenci.
Przykład reprodukowalny

Gotowe dane w R: plik, próba analityczna i schemat

Trzy przepisy liczą wszystkie liczby z tekstu. Pierwszy tworzy fikcyjny plik w stylu dużego sondażu i zapisuje go w folderze nadrzędnym (../). Drugi przechodzi od pliku do próby analitycznej. Trzeci liczy tę samą analizę czterema sposobami. Ziarna nie wybierano pod wynik. Rysunki powstały w osobnym skrypcie. Dane do pobrania: sondaz-warunkow-zycia-2024-dane.csv (1577 osób; kody: 666 nie dotyczy, 777 odmowa, 888 nie wiem w godziny; 77 odmowa, 88 nie wiem w zadowolenie; plec: 1 kobieta; status: 1 pracuje). Dane nie odpowiadają żadnemu rzeczywistemu badaniu.

Fikcyjny plik sondażowy

Dane wejściowe: 6 warstw, 120 PSU, 2640 adresów, wagi schematu i poststratyfikacji; set.seed(4921); tylko bazowy R.

Co odczytać: liczbę wywiadów, odsetek realizacji, zakres wag i efektywną liczebność (Kish).

R
# B492 – fikcyjny plik w stylu dużego sondażu: "Sondaż Warunków Życia 2024" (dane symulowane, nazwa zmyślona)
# Schemat: 6 warstw, po 20 PSU, po 22 adresy w PSU, jedna osoba 18+ w gospodarstwie, odmowy zależne od cech.
set.seed(4921)
osoby <- function(n) {                                   # populacja osób 18+ w gospodarstwach
  plec <- rbinom(n, 1, .52)                              # 1 = kobieta
  wiek <- sample(18:85, n, TRUE, prob = dnorm(18:85, 47, 20))
  data.frame(plec, wiek, n_doroslych = sample(1:4, n, TRUE, c(.28, .47, .17, .08)))
}
frakcja <- c(1, 1, 1.5, 1.5, 2.5, 2.5)                   # warstwy 5–6 losowano gęściej
n_psu <- 20; n_adr <- 22; K <- length(frakcja)
d <- osoby(K * n_psu * n_adr)
d$warstwa <- rep(seq_len(K), each = n_psu * n_adr)
d$psu <- (d$warstwa - 1) * n_psu + rep(rep(seq_len(n_psu), each = n_adr), K)
u_psu <- rnorm(K * n_psu, 0, .50)[d$psu]                 # zadowolenie: podobieństwo w obrębie PSU
h_psu <- rnorm(K * n_psu, 0, 3.0)[d$psu]                 # godziny pracy: podobieństwo w obrębie PSU
p3 <- plogis(-.6 + .9 * (d$warstwa <= 2) - .018 * (d$wiek - 45))
p2 <- .45
d$wyksztalcenie <- ifelse(runif(nrow(d)) < p3, 3L, ifelse(runif(nrow(d)) < p2, 2L, 1L))
# Status zatrudnienia: 1 pracuje, 2 bezrobotny, 3 emeryt/rencista, 4 uczy się, 5 inne
pr_prac <- with(d, ifelse(wiek < 25, .35, ifelse(wiek < 60, .86, ifelse(wiek < 65, .42, .05))))
ucz <- with(d, ifelse(wiek < 25, .55, 0)); eme <- with(d, ifelse(wiek >= 60, .90 - pr_prac + .05, .03))
los <- runif(nrow(d))
d$status <- with(d, ifelse(los < pr_prac, 1L, ifelse(los < pr_prac + ucz, 4L, ifelse(los < pr_prac + ucz + pmax(eme, 0), 3L,
                 ifelse(runif(nrow(d)) < .55, 2L, 5L)))))
pracuje <- d$status == 1
godz <- round(37 + 4.5 * (d$plec == 0) + .9 * (d$wyksztalcenie == 3) + h_psu + rnorm(nrow(d), 0, 8.5))
godz <- pmin(pmax(godz, 4), 80)
extrem <- which(pracuje)[sample(sum(pracuje), 5)]; godz[extrem] <- c(98, 112, 126, 140, 168)   # zapis niewiarygodny
zad_lat <- with(d, 6.1 + .40 * (wyksztalcenie == 2) + .85 * (wyksztalcenie == 3) + .25 * (n_doroslych >= 2) -
                 .018 * (wiek - 45) + u_psu + rnorm(nrow(d), 0, 1.75))
zad_lat <- zad_lat - .030 * ifelse(pracuje, pmin(godz, 84) - 40, 0)
d$zadowolenie <- pmin(pmax(round(zad_lat), 0), 10)
# Kody braków jak w książce kodowej: 666 nie dotyczy, 777 odmowa, 888 nie wiem; 77 odmowa, 88 nie wiem
d$godziny <- ifelse(pracuje, godz, 666L)
ita <- runif(nrow(d)); pr_b <- plogis(-3.2 + .025 * (d$wiek - 45) + .5 * (d$wyksztalcenie == 1))
d$godziny[pracuje & ita < pr_b] <- ifelse(runif(sum(pracuje & ita < pr_b)) < .55, 777L, 888L)
itb <- runif(nrow(d)); idx <- itb < .022
d$zadowolenie[idx] <- ifelse(runif(sum(idx)) < .6, 77L, 88L)
# Realizacja: odmowy częstsze u młodszych, mężczyzn i osób z niższym wykształceniem
pr_odp <- with(d, plogis(.15 + .022 * (pmin(wiek, 70) - 45) + .25 * plec + .35 * (wyksztalcenie == 3) + rnorm(nrow(d), 0, .15)))
d$zrealizowany <- rbinom(nrow(d), 1, pr_odp)
# Waga schematu i poststratyfikacja (rozkłady populacyjne fikcyjne: duża symulowana populacja)
d$waga_schematu <- d$n_doroslych / frakcja[d$warstwa]
pop <- osoby(5e5)
kat <- function(w) cut(w, c(17, 24, 34, 44, 54, 64, 90), labels = FALSE)
udz_pop <- prop.table(table(pop$plec, kat(pop$wiek)))
r <- d[d$zrealizowany == 1, ]
r$waga_schematu <- r$waga_schematu / mean(r$waga_schematu)
udz_pr <- prop.table(xtabs(r$waga_schematu ~ r$plec + kat(r$wiek)))
popr <- (udz_pop / udz_pr)[cbind(as.character(r$plec), as.character(kat(r$wiek)))]
r$waga_post <- as.numeric(r$waga_schematu * popr); r$waga_post <- r$waga_post / mean(r$waga_post)
r$id <- seq_len(nrow(r))
plik <- r[, c("id", "warstwa", "psu", "n_doroslych", "plec", "wiek", "wyksztalcenie", "status", "godziny", "zadowolenie", "waga_schematu", "waga_post")]
plik$waga_schematu <- round(plik$waga_schematu, 4); plik$waga_post <- round(plik$waga_post, 4)
write.csv(plik, "../sondaz-warunkow-zycia-2024-dane.csv", row.names = FALSE)

cat("Wylosowane adresy:", nrow(d), "\n")
cat("Wywiady zrealizowane:", nrow(plik), sprintf("(%.1f%%)\n", 100 * nrow(plik) / nrow(d)))
cat("Liczba PSU:", length(unique(plik$psu)), " Liczba warstw:", length(unique(plik$warstwa)), "\n")
cat("Waga po poststratyfikacji: min =", round(min(plik$waga_post), 2), " max =", round(max(plik$waga_post), 2),
    " Kish n_ef =", round(sum(plik$waga_post)^2 / sum(plik$waga_post^2)), "\n")
cat("Rekordy z kodem 666/777/888 w godzinach:", sum(plik$godziny >= 666), " Rekordy z kodem 77/88 w zadowoleniu:", sum(plik$zadowolenie >= 77), "\n")
Wynik w R
Wylosowane adresy: 2640 
Wywiady zrealizowane: 1577 (59.7%)
Liczba PSU: 120  Liczba warstw: 6 
Waga po poststratyfikacji: min = 0.22  max = 3.75  Kish n_ef = 1148 
Rekordy z kodem 666/777/888 w godzinach: 660  Rekordy z kodem 77/88 w zadowoleniu: 33 

Od pliku do próby analitycznej

Dane wejściowe: plik z poprzedniego przepisu; tylko bazowy R.

Co odczytać: skutek pozostawienia kodów, liczby na etapach, powody braków i porównanie osób włączonych oraz utraconych.

R
# B492 – od pliku do próby analitycznej: kody braków, kolejne kryteria, porównanie osób z brakami
d <- read.csv("../sondaz-warunkow-zycia-2024-dane.csv")
# 1. Co się stanie, gdy kody braków zostaną w danych
cat(sprintf("Średnia godzin, wszyscy, kody potraktowane jak liczby: %.2f\n", mean(d$godziny)))
cat(sprintf("Średnia zadowolenia, kody potraktowane jak liczby: %.2f\n", mean(d$zadowolenie)))
# 2. Recoding według książki kodowej – trzy powody braku zachowane osobno
d$powod_godz <- ifelse(d$godziny == 666, "nie dotyczy", ifelse(d$godziny == 777, "odmowa", ifelse(d$godziny == 888, "nie wiem", "odpowiedź")))
d$godziny_c <- ifelse(d$godziny >= 666, NA, d$godziny)
d$zadow_c <- ifelse(d$zadowolenie >= 77, NA, d$zadowolenie)
cat(sprintf("Średnia zadowolenia po recodingu: %.2f (n = %d)\n", mean(d$zadow_c, na.rm = TRUE), sum(!is.na(d$zadow_c))))
# 3. Przepływ: warunki w kolejności zapisanej przed analizą
k1 <- d$wiek >= 25 & d$wiek <= 64
k2 <- k1 & d$status == 1
k3 <- k2 & !is.na(d$godziny_c)
k4 <- k3 & d$godziny_c >= 1 & d$godziny_c <= 84
k5 <- k4 & !is.na(d$zadow_c)
etapy <- c(plik = nrow(d), wiek_25_64 = sum(k1), pracujacy = sum(k2), znane_godziny = sum(k3), godziny_1_84 = sum(k4), znane_zadowolenie = sum(k5))
print(data.frame(n = etapy, ubylo = c(NA, -diff(etapy))))
cat("Brak godzin wśród pracujących 25-64:\n"); print(table(d$powod_godz[k2]))
d$analiza <- as.integer(k5)
# 4. Kto wypadł z powodu braków: pracujący 25-64, włączeni a utraceni z powodu braków (osoby z godzinami poza zakresem pominięte)
g <- k2 & !(k3 & !k4)
sred <- function(x, w) sum(x * w) / sum(w)
por <- function(j) with(d[g & (d$analiza == j), ], c(n = length(wiek), wiek_M = sred(wiek, waga_post), kobiety_pr = 100 * sred(plec, waga_post), wyzsze_pr = 100 * sred(wyksztalcenie == 3, waga_post)))
print(round(rbind(wlaczeni = por(1), utraceni = por(0)), 1))
cat(sprintf("Utraceni z powodu braków: %d z %d (%.1f%%)\n", sum(g & !d$analiza), sum(g), 100 * mean(!d$analiza[g])))
# 5. PSU i wagi w próbie analitycznej
cat("PSU z osobami w próbie analitycznej:", length(unique(d$psu[k5])), "z", length(unique(d$psu)), "\n")
w <- d$waga_post[k5]
cat(sprintf("Waga w próbie analitycznej: min = %.2f, max = %.2f, Kish n_ef = %.0f\n", min(w), max(w), sum(w)^2 / sum(w^2)))
Wynik w R
Średnia godzin, wszyscy, kody potraktowane jak liczby: 307.13
Średnia zadowolenia, kody potraktowane jak liczby: 8.13
Średnia zadowolenia po recodingu: 6.59 (n = 1544)
                     n ubylo
plik              1577    NA
wiek_25_64        1155   422
pracujacy          920   235
znane_godziny      874    46
godziny_1_84       872     2
znane_zadowolenie  853    19
Brak godzin wśród pracujących 25-64:

 nie wiem    odmowa odpowiedź 
       27        19       874 
           n wiek_M kobiety_pr wyzsze_pr
wlaczeni 853   43.8       51.5      49.3
utraceni  65   47.6       61.2      48.7
Utraceni z powodu braków: 65 z 918 (7.1%)
PSU z osobami w próbie analitycznej: 120 z 120 
Waga w próbie analitycznej: min = 0.26, max = 3.75, Kish n_ef = 636

Analiza zgodna ze schematem

Dane wejściowe: ten sam plik; pakiet survey.

Co odczytać: tabele wariantów A–D, porównanie błędów standardowych, współczynniki modelu D i przykład wąskiej podpopulacji.

R
# B492 – cztery sposoby policzenia tej samej analizy; wersja D jest zgodna ze schematem
suppressPackageStartupMessages(library(survey))
d <- read.csv("../sondaz-warunkow-zycia-2024-dane.csv")
d$godziny_c <- ifelse(d$godziny >= 666, NA, d$godziny)
d$zadow_c <- ifelse(d$zadowolenie >= 77, NA, d$zadowolenie)
d$analiza <- with(d, wiek >= 25 & wiek <= 64 & status == 1 & !is.na(godziny_c) & godziny_c >= 1 & godziny_c <= 84 & !is.na(zadow_c))
d$godz10 <- (d$godziny_c - 40) / 10                 # o każde 10 godzin powyżej 40
d$wiek10 <- (d$wiek - 45) / 10
d$wyks <- factor(d$wyksztalcenie, labels = c("podst_zaw", "srednie", "wyzsze"))
a <- d[d$analiza, ]
wzor <- zadow_c ~ godz10 + wiek10 + plec + wyks
desB <- svydesign(ids = ~1, weights = ~waga_post, data = a)                                  # B: wagi bez warstw i PSU
desC <- svydesign(ids = ~psu, strata = ~warstwa, weights = ~waga_post, data = a, nest = TRUE) # C: schemat na usuniętych wierszach
des <- svydesign(ids = ~psu, strata = ~warstwa, weights = ~waga_post, data = d, nest = TRUE)  # D: schemat z całego pliku
desD <- subset(des, analiza)                                                                  # D: podpopulacja przez subset()
pas <- function(b, s, df) c(ocena = b, SE = s, dolna = b - qt(.975, df) * s, gorna = b + qt(.975, df) * s, df = df)
# Średnie zadowolenie
mA <- mean(a$zadow_c); sA <- sd(a$zadow_c) / sqrt(nrow(a))
sred <- function(ds) { e <- svymean(~zadow_c, ds); pas(coef(e), SE(e), degf(ds)) }
tab_srednia <- rbind(A_bez_wag = pas(mA, sA, nrow(a) - 1), B_wagi = sred(desB), C_usuniete_wiersze = sred(desC), D_subset = sred(desD))
cat("Średnie zadowolenie z życia (0-10):\n"); print(round(tab_srednia, 3))
cat(sprintf("Wariancja D względem A: %.2f; odpowiednik prostej próby: n = %.0f\n",
            (tab_srednia[4, 2] / sA)^2, nrow(a) / (tab_srednia[4, 2] / sA)^2))
# Regresja: zadowolenie a godziny pracy (na 10 godzin)
fit <- function(m, df) { b <- coef(m)["godz10"]; pas(b, sqrt(vcov(m)["godz10", "godz10"]), df) }
mlA <- lm(wzor, a); mB <- svyglm(wzor, desB); mC <- svyglm(wzor, desC); mD <- svyglm(wzor, desD)
tab_model <- rbind(A_bez_wag = fit(mlA, df.residual(mlA)), B_wagi = fit(mB, degf(desB)), C_usuniete_wiersze = fit(mC, degf(desC)), D_subset = fit(mD, degf(desD)))
cat("\nWspółczynnik przy godzinach pracy (na 10 godzin):\n"); print(round(tab_model, 3))
cat("\nModel D:\n"); print(round(summary(mD)$coefficients, 3))
cat(sprintf("n = %d; PSU = %d; warstwy = %d; df schematu = %d\n", nrow(a), length(unique(a$psu)), length(unique(a$warstwa)), degf(desD)))
e <- svymean(~godziny_c, desD); ci <- confint(e, df = degf(desD))
cat(sprintf("Godziny pracy (D): M = %.2f, SE = %.3f, 95%% CI [%.2f, %.2f]; bez wag M = %.2f\n", coef(e), SE(e), ci[1], ci[2], mean(a$godziny_c)))
# Wąska podpopulacja: czy skrót „usuń wiersze” działa tak samo?
a2 <- a[a$wiek >= 60, ]
desC2 <- svydesign(ids = ~psu, strata = ~warstwa, weights = ~waga_post, data = a2, nest = TRUE)
desD2 <- subset(des, analiza & wiek >= 60)
eC <- svymean(~zadow_c, desC2); eD <- svymean(~zadow_c, desD2)
cat(sprintf("\nWąska grupa 60-64 lata: n = %d, PSU z osobami = %d z %d\n", nrow(a2), length(unique(a2$psu)), length(unique(d$psu))))
cat(sprintf("Usunięte wiersze: M = %.2f, SE = %.3f\nsubset():         M = %.2f, SE = %.3f\n", coef(eC), SE(eC), coef(eD), SE(eD)))
Wynik w R
Średnie zadowolenie z życia (0-10):
                   ocena    SE dolna gorna  df
A_bez_wag          6.756 0.063 6.633 6.879 852
B_wagi             6.799 0.071 6.659 6.939 852
C_usuniete_wiersze 6.799 0.083 6.635 6.963 114
D_subset           6.799 0.083 6.635 6.963 114
Wariancja D względem A: 1.76; odpowiednik prostej próby: n = 486

Współczynnik przy godzinach pracy (na 10 godzin):
                   ocena.godz10    SE dolna.godz10 gorna.godz10  df
A_bez_wag                -0.415 0.067       -0.546       -0.284 847
B_wagi                   -0.414 0.071       -0.553       -0.275 852
C_usuniete_wiersze       -0.414 0.068       -0.550       -0.279 114
D_subset                 -0.414 0.068       -0.550       -0.279 114

Model D:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)    6.452      0.157  40.967    0.000
godz10        -0.414      0.068  -6.062    0.000
wiek10        -0.076      0.066  -1.149    0.253
plec          -0.318      0.153  -2.078    0.040
wykssrednie    0.297      0.211   1.408    0.162
wykswyzsze     0.843      0.156   5.414    0.000
n = 853; PSU = 120; warstwy = 6; df schematu = 114
Godziny pracy (D): M = 39.78, SE = 0.481, 95% CI [38.83, 40.73]; bez wag M = 39.42

Wąska grupa 60-64 lata: n = 46, PSU z osobami = 39 z 120
Usunięte wiersze: M = 6.73, SE = 0.377
subset():         M = 6.73, SE = 0.363

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 i pakiecie survey; rysunki przygotowano w pakietach ggplot2 i svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survey (wersja 4.5): Lumley, T. (2026). survey: Analysis of complex survey samples [R package]. https://CRAN.R-project.org/package=survey
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Przed oddaniem rozdziału sprawdź…

  • Czy podano, kto, kiedy, jak i kogo badał, oraz numer edycji pliku i datę pobrania?
  • Czy uzasadniono wybór fali i zapisano, co było wiadomo przed analizą?
  • Czy książka kodowa posłużyła do zamiany kodów specjalnych i czy „nie dotyczy” oddzielono od braków?
  • Czy jest diagram od pliku do próby analitycznej z powodami wyłączeń?
  • Czy tabela zmiennych mówi, czego nie zmierzono?
  • Czy użyto wag, warstw i PSU oraz wskazano podpopulację w obiekcie schematu?
  • Czy porównano osoby włączone i utracone z powodu braków?
  • Czy we wnioskach nazwy pojęć odpowiadają zmiennym, a populacja jest nazwana?
  • Czy opisano warunki użycia i ustalenia dotyczące opinii komisji?

Jeśli chcesz, żeby ktoś sprawdził opis źródła, próbę analityczną i schemat w analizie, zobacz pomoc w analizie dla studentów.

Najczęstsze pytania

Czy praca magisterska może opierać się wyłącznie na gotowych danych?

Często tak, ale decydują wymagania uczelni i promotora, więc ustal to przed wyborem tematu. Smith i in. (2011) zaznaczają, że w analizie wtórnej obowiązują te same zasady co w badaniu pierwotnym: jasne pytanie, próba, miary i przemyślana analiza. Wartością pracy jest wtedy pytanie i rzetelny opis decyzji analitycznych.

Czy analiza gotowych danych wymaga zgody komisji bioetycznej?

To zależy od zasad uczelni, rodzaju danych i zakresu zgód uczestników. Nie zakładaj odpowiedzi z góry: zapytaj komisję albo promotora i zachowaj odpowiedź. W metodzie podaj numer opinii albo informację o jej niewymaganiu.

Czy muszę używać wag z sondażu w pracy dyplomowej?

Jeśli chcesz opisywać populację, zwykle tak, razem z warstwami i PSU, zgodnie z dokumentacją zbioru. W przykładzie wagi przesunęły średnią niewiele, ale uwzględnienie schematu zwiększyło błąd standardowy z 0.063 do 0.083. Wybór konkretnej wagi zależy od badania, a w modelach regresji warto uzasadnić go osobno.

Co napisać, gdy w gotowych danych nie ma zmiennej, którą chcę zbadać?

Nazwij zmienną, którą masz, i napisz, jakie pojęcie przybliża oraz czego nie obejmuje. Nie zamieniaj jej w tekście na szersze pojęcie, np. godzin pracy na przeciążenie. Jeśli rozbieżność jest duża, zmień pytanie albo źródło danych.

Czym różni się próba analityczna od próby badania?

Próba badania to osoby, od których dostawca uzyskał dane. Próba analityczna to część pliku, którą analizujesz po zastosowaniu kryteriów wieku, statusu i kompletności. W przykładzie z 1577 wywiadów zostały 853 osoby i każdy krok wyłączenia trzeba podać w metodzie.

Powiązane hasła

Przeczytaj też

Poradnik

Reanaliza i wtórna analiza cudzych danych

Licencje i warunki użycia, prerejestracja danych wtórnych, test GRIM, zgodność p i analiza wieloświatowa w R – z wzorami opisu i listu do autorów.

Czytaj →
Poradnik

Analiza danych z ESS, PGSS i Diagnozy Społecznej

Dostęp i rejestracja, wagi dweight, pspwght i anweight, warstwy i klastry, błędy standardowe ze schematu i regresja w R z wzorem opisu.

Czytaj →
Poradnik

Ważenie danych sondażowych krok po kroku

Wagi schematu, korekta braku odpowiedzi, raking w R, przycinanie wag, efektywna liczebność Kisha, błąd standardowy i wzór opisu.

Czytaj →
Poradnik

Analiza dokumentacji medycznej – badanie retrospektywne

Pytanie, kryteria, karta zbierania danych, „brak wpisu” ≠ „nie”, kappa na podpróbie kart, braki, zgody, STROBE i RECORD – z przykładem w R.

Czytaj →
Poradnik

Diagram przepływu respondentów

Od 612 wejść w link do 413 analizowanych: etapy, kryteria wykluczeń i ich kolejność, odsetek odpowiedzi i diagram w R.

Czytaj →
Poradnik

Sondaż przekrojowy – jak opisać metodę

Gotowy podrozdział „Metoda” dla ankiety w zdrowiu: STROBE, rekrutacja, odsetek odpowiedzi, braki danych, PR a OR i to, co wolno napisać we wnioskach – z przykładem w R.

Czytaj →
Poradnik

Jak napisać pracę z socjologii

Pytanie o zjawisko, koncept–wymiar–wskaźnik, populacja i operat, próba z internetu, wagi, dane wtórne i gotowe fragmenty pracy – na przykładzie zaufania i aktywności sąsiedzkiej.

Czytaj →
Poradnik

Ewaluacja programu w jednej placówce – opis metody

Gotowy podrozdział „Metoda”: autor jako prowadzący, wierność realizacji, grupa porównawcza i dozwolone wnioski, z kodem R.

Czytaj →

Piszesz pracę na gotowych danych?

Sprawdzimy opis źródła, próbę analityczną i uwzględnienie schematu oraz policzymy analizę w R lub SPSS, tak żebyś umiał(a) samodzielnie obronić wyniki.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Benchimol, E. I., Smeeth, L., Guttmann, A., Harron, K., Moher, D., Petersen, I., Sørensen, H. T., von Elm, E., Langan, S. M., & RECORD Working Committee. (2015). The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLOS Medicine, 12(10), Article e1001885. https://doi.org/10.1371/journal.pmed.1001885 ● Otwarty dostęp
  2. Hand, D. J. (2018). Statistical challenges of administrative and transaction data. Journal of the Royal Statistical Society Series A: Statistics in Society, 181(3), 555–605. https://doi.org/10.1111/rssa.12315 ● Otwarty dostęp: pełny tekst
  3. Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8). https://doi.org/10.18637/jss.v009.i08 ● Otwarty dostęp
  4. Smith, A. K., Ayanian, J. Z., Covinsky, K. E., Landon, B. E., McCarthy, E. P., Wee, C. C., & Steinman, M. A. (2011). Conducting high-value secondary dataset analysis: An introductory guide and resources. Journal of General Internal Medicine, 26(8), 920–929. https://doi.org/10.1007/s11606-010-1621-5 ● Otwarty dostęp
  5. Sørensen, H. T., Sabroe, S., & Olsen, J. (1996). A framework for evaluation of secondary data sources for epidemiological research. International Journal of Epidemiology, 25(2), 435–442. https://doi.org/10.1093/ije/25.2.435
  6. Van den Akker, O. R., Weston, S., Campbell, L., Chopik, B., Damian, R., Davis-Kean, P., Hall, A., Kosie, J., Kruse, E., Olsen, J., Ritchie, S., Valentine, K. D., Van 't Veer, A., & Bakker, M. (2021). Preregistration of secondary data analysis: A template and tutorial. Meta-Psychology, 5. https://doi.org/10.15626/mp.2020.2625 ● Otwarty dostęp
  7. West, B. T., Berglund, P., & Heeringa, S. G. (2008). A closer examination of subpopulation analysis of complex-sample survey data. The Stata Journal, 8(4), 520–531. https://doi.org/10.1177/1536867x0800800404 ● Otwarty dostęp
  8. West, B. T., Sakshaug, J. W., & Aurelien, G. A. S. (2016). How big of a problem is analytic error in secondary analyses of survey data? PLOS ONE, 11(6), Article e0158120. https://doi.org/10.1371/journal.pone.0158120 ● Otwarty dostęp
  9. Weston, S. J., Ritchie, S. J., Rohrer, J. M., & Przybylski, A. K. (2019). Recommendations for increasing the transparency of analysis of preexisting data sets. Advances in Methods and Practices in Psychological Science, 2(3), 214–227. https://doi.org/10.1177/2515245919848684 ● Otwarty dostęp

Cytowania BibTeX

@article{benchimol2015reporting, author={Benchimol, Eric I. and Smeeth, Liam and Guttmann, Astrid and Harron, Katie and Moher, David and Petersen, Irene and Sørensen, Henrik T. and von Elm, Erik and Langan, Sinéad M. and {RECORD Working Committee}}, title={{The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement}}, journal={PLOS Medicine}, year={2015}, volume={12}, number={10}, eid={e1001885}, doi={10.1371/journal.pmed.1001885}}
@article{hand2018statistical, author={Hand, David J.}, title={{Statistical challenges of administrative and transaction data}}, journal={Journal of the Royal Statistical Society Series A: Statistics in Society}, year={2018}, volume={181}, number={3}, pages={555--605}, doi={10.1111/rssa.12315}}
@article{lumley2004analysis, author={Lumley, Thomas}, title={{Analysis of complex survey samples}}, journal={Journal of Statistical Software}, year={2004}, volume={9}, number={8}, doi={10.18637/jss.v009.i08}}
@article{smith2011conducting, author={Smith, Alexander K. and Ayanian, John Z. and Covinsky, Kenneth E. and Landon, Bruce E. and McCarthy, Ellen P. and Wee, Christina C. and Steinman, Michael A.}, title={{Conducting high-value secondary dataset analysis: An introductory guide and resources}}, journal={Journal of General Internal Medicine}, year={2011}, volume={26}, number={8}, pages={920--929}, doi={10.1007/s11606-010-1621-5}}
@article{sorensen1996framework, author={Sørensen, Henrik Toft and Sabroe, Svend and Olsen, Jørn}, title={{A framework for evaluation of secondary data sources for epidemiological research}}, journal={International Journal of Epidemiology}, year={1996}, volume={25}, number={2}, pages={435--442}, doi={10.1093/ije/25.2.435}}
@article{vandenakker2021preregistration, author={Van den Akker, Olmo R. and Weston, Sara and Campbell, Lorne and Chopik, Bill and Damian, Rodica and Davis-Kean, Pamela and Hall, Andrew and Kosie, Jessica and Kruse, Elliott and Olsen, Jerome and Ritchie, Stuart and Valentine, KD and Van 't Veer, Anna and Bakker, Marjan}, title={{Preregistration of secondary data analysis: A template and tutorial}}, journal={Meta-Psychology}, year={2021}, volume={5}, doi={10.15626/mp.2020.2625}}
@article{west2008closer, author={West, Brady T. and Berglund, Patricia and Heeringa, Steven G.}, title={{A closer examination of subpopulation analysis of complex-sample survey data}}, journal={The Stata Journal}, year={2008}, volume={8}, number={4}, pages={520--531}, doi={10.1177/1536867x0800800404}}
@article{west2016how, author={West, Brady T. and Sakshaug, Joseph W. and Aurelien, Guy Alain S.}, title={{How big of a problem is analytic error in secondary analyses of survey data?}}, journal={PLOS ONE}, year={2016}, volume={11}, number={6}, eid={e0158120}, doi={10.1371/journal.pone.0158120}}
@article{weston2019recommendations, author={Weston, Sara J. and Ritchie, Stuart J. and Rohrer, Julia M. and Przybylski, Andrew K.}, title={{Recommendations for increasing the transparency of analysis of preexisting data sets}}, journal={Advances in Methods and Practices in Psychological Science}, year={2019}, volume={2}, number={3}, pages={214--227}, doi={10.1177/2515245919848684}}
R