Słownik metodologiczny · Pomiar i skale

Rekodowanie

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Rekodowanie

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Rekodowanie?

Rekodowanie zmienia reprezentację wartości według jawnej reguły bez zmiany badanego przypadku.

Zastosowanie, warunki i dobre praktyki

Rekodowanie zmienia reprezentację wartości według jawnej reguły, np. łączy kategorie, odwraca skalę albo oznacza braki. Każda taka decyzja może zmienić rozkład i interpretację, dlatego powinna być wykonana w składni, a nie ręcznie w arkuszu. Trzeba zachować oryginalną zmienną, sprawdzić zakres przed i po zmianie oraz udokumentować uzasadnienie. Tabela mapowania starych i nowych kodów powinna stanowić część dokumentacji zbioru.

Najważniejsze zastosowanie: Stosuj do pozycji odwróconych, łączenia kategorii i przygotowania predyktorów.

Rekodowanie powinno być jawną, odtwarzalną funkcją starej wartości. Dobra reguła wskazuje nazwę zmiennej wejściowej, dozwolone kody, granice przedziałów, sposób obsługi braków oraz każdą wartość wynikową. Instrukcja typu „pozostałe = 0” jest ryzykowna: może zamienić literówkę, brak albo nieprzewidzianą kategorię w prawidłową obserwację. Najpierw należy więc sprawdzić zakres i częstości danych wejściowych, a wartości spoza mapy pozostawić jako błąd wymagający wyjaśnienia.

Surowej kolumny nie należy nadpisywać. Nowa nazwa pozwala porównać wynik z oryginałem za pomocą tabeli krzyżowej, sprawdzić przypadki na granicach przedziałów i w razie pomyłki odtworzyć analizę. Łączenie kategorii lub kategoryzowanie wieku zmniejsza szczegółowość danych, dlatego wymaga celu merytorycznego ustalonego przed obejrzeniem zależności. Kod, składnia i tabela mapowania są częścią dokumentacji badania, a nie tylko technicznym etapem przygotowania pliku.

Kontrola poprawności rekodowania

  • Zachowaj zmienną źródłową i utwórz nową, jednoznacznie nazwaną kolumnę.
  • Wypisz wszystkie dozwolone wartości wejściowe, wyjściowe i kody braków.
  • Porównaj stare i nowe kody oraz ręcznie sprawdź wartości graniczne.
  • Zapisz transformację w R, Pythonie lub składni SPSS, aby była odtwarzalna.

Jak poprawnie stosować i interpretować hasło „Rekodowanie”?

Przy ocenie pojęcia „Rekodowanie” należy zapisać dokładną regułę transformacji, zakres wejściowy i znaczenie wyniku po przekształceniu. Przy ocenie hasła „Rekodowanie” trzeba zachować surową kolumnę i utworzyć nową zmienną, aby można było odtworzyć zmianę. W analizie dotyczącej hasła „Rekodowanie” reguła powinna wynikać z klucza narzędzia lub celu analizy, a nie z chęci uzyskania korzystniejszego rozkładu.

Ocena pojęcia „Rekodowanie” wymaga ręcznego sprawdzenia kilku rekordów, kontroli braków i weryfikacji minimalnej oraz maksymalnej wartości. Dla interpretacji hasła „Rekodowanie” warto porównać rozkład przed i po przekształceniu. W odniesieniu do hasła „Rekodowanie”, jeśli transformacja wpływa na współczynniki albo kolejność osób, trzeba opisać tę konsekwencję i sprawdzić stabilność wniosku.

Co trzeba opisać w raporcie?

Raport dotyczący „Rekodowanie” powinien podać wzór lub tabelę mapowania, nazwy zmiennych źródłowych, traktowanie braków oraz moment wykonania operacji. Przy ocenie hasła „Rekodowanie” w materiałach uzupełniających warto zachować syntax. W analizie dotyczącej hasła „Rekodowanie” wynik po transformacji należy interpretować w nowej skali, a nie przypisywać mu własności, których nie miały dane wejściowe.

Zakres raportowania dla hasła „Rekodowanie”: Zapisz mapę stara→nowa, uzasadnienie i kontrolę zakresów.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Skalę 1–5 odwraca się jako 6−x; płeć nie powinna być bezmyślnie sprowadzana do 0/1.

Jak ją zinterpretować: Nowe kody muszą zachować zamierzony sens kategorii, zakres i braki, a transformację należy wykonać w składni. Kontrola częstości przed i po rekodowaniu pozwala wykryć utracone lub błędnie przypisane wartości.

Najczęstsza pułapka i granica interpretacji

Łączenie kategorii po obejrzeniu wyników może służyć p-hackingowi i traci informację.

Poprawne technicznie „Rekodowanie” nie poprawia automatycznie trafności i nie usuwa błędu pomiaru. Dla interpretacji hasła „Rekodowanie” niejawna transformacja może utrudnić reprodukcję, a odwrócenie niewłaściwej pozycji lub błędna mapa kategorii zmienia sens całego wyniku.

Przykład reprodukowalny dla tego hasła

Rekodowanie wieku do jawnie zdefiniowanych kategorii

Przykład pokazuje jedno konkretne przekształcenie i kontrolę jego skutków. Kategoryzacja traci informację, dlatego powinna mieć uzasadnienie merytoryczne.

Dane wejściowe: Zmienna wiek jest ilościowa. Kategorie 18–29, 30–44 i 45–65 wynikają z wcześniejszego planu analizy.

Co sprawdzić w wyniku: Sprawdź tabelę krzyżową starej i nowej zmiennej, granice przedziałów oraz przypadki poza zakresem. Surowej zmiennej wiek nie nadpisuj.

R
dane <- read.csv("dane.csv")
dane$wiek_grupa <- cut(
  dane$wiek,
  breaks = c(18, 30, 45, 66),
  right = FALSE,
  labels = c("18–29", "30–44", "45–65")
)

table(dane$wiek_grupa, useNA = "ifany")
head(dane[c("wiek", "wiek_grupa")])
Python
import pandas as pd

df = pd.read_csv("dane.csv")
df["wiek_grupa"] = pd.cut(
    df["wiek"],
    bins=[18, 30, 45, 66],
    right=False,
    labels=["18–29", "30–44", "45–65"]
)

print(df["wiek_grupa"].value_counts(dropna=False, sort=False))
print(df[["wiek", "wiek_grupa"]].head())
IBM SPSS Statistics — Syntax
RECODE wiek (18 THRU 29=1) (30 THRU 44=2) (45 THRU 65=3)
 (ELSE=SYSMIS) INTO wiek_grupa.
VARIABLE LABELS wiek_grupa 'Grupa wieku utworzona bez nadpisania wieku'.
VALUE LABELS wiek_grupa 1 '18-29' 2 '30-44' 3 '45-65'.

CROSSTABS /TABLES=wiek BY wiek_grupa.
FREQUENCIES VARIABLES=wiek_grupa.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
BibTeX dla oprogramowania i pakietów
@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}
@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}
@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}
@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (McNeish, 2018).

Powiązane hasła

RangowanieSkala dychotomicznaSkala dyferencjału semantycznegoSkala ilościowaSkala LikertaSkala nominalna

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Alfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń

Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  2. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
  3. Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of Cronbach’s alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/s11336-008-9101-0
  4. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (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. https://doi.org/10.1037/amp0000191
  5. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  6. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006

Cytowania BibTeX

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}
@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}
@article{sijtsma2009alpha, author={Sijtsma, Klaas}, title={On the use, the misuse, and the very limited usefulness of Cronbach’s alpha}, journal={Psychometrika}, year={2009}, volume={74}, number={1}, pages={107--120}, doi={10.1007/s11336-008-9101-0}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
R