Słownik metodologiczny · Przygotowanie danych

Zmienna pochodna – wynik skali, wiek i grupy obliczone z danych surowych

Zmienna pochodna powstaje z innych zmiennych: wynik skali ze średniej pozycji, wiek z roku urodzenia, grupa z punktu odcięcia. Pokazujemy, jak ją tworzyć skryptem, sprawdzić i opisać w pracy.

Strona główna / Słownik / Zmienna pochodna

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

W skrócie: Zmienna pochodna to zmienna obliczona z innych zmiennych w zbiorze, np. wynik skali, wiek albo grupa. Twórz ją skryptem w nowej kolumnie, zostaw zmienne surowe bez zmian, regułę zapisz w książce kodowej i sprawdź wynik tabelą.

Co to jest zmienna pochodna?

Zmienna pochodna (ang. derived variable) to zmienna, której nie zebrano bezpośrednio, tylko obliczono z innych zmiennych w zbiorze. Przykłady to wynik skali ze średniej pozycji, wiek z roku urodzenia, grupa z punktu odcięcia, różnica pomiarów przed i po albo logarytm czasu reakcji. Zmienne surowe to odpowiedzi zapisane tak, jak je zebrano. Rekodowanie, np. odwrócenie punktacji, to jeden ze sposobów tworzenia zmiennej pochodnej.

Jak tworzyć zmienne pochodne

  • Licz je skryptem, nie ręcznie w arkuszu. Broman i Woo (2018) zalecają, by w pliku z danymi surowymi nie wykonywać obliczeń.
  • Zostaw zmienne surowe bez zmian i dodaj nową kolumnę o nowej nazwie, np. p3_r obok p3.
  • Zapisz regułę w książce kodowej: wzór, możliwy zakres i sposób traktowania braków.
  • Sprawdź wynik tabelą zmiennej surowej i pochodnej: każda wartość surowa powinna dawać jedną wartość pochodną.

Przykład

Sześć osób odpowiedziało na cztery pozycje skali 1–5, z których p3 jest pozycją odwróconą (dane przykładowe). Po przekodowaniu 6 − p3 wynik skali policzono jako średnią z czterech pozycji. Wyniki mieściły się od 1.50 do 4.75 (M = 3.21, SD = 1.40). Tabela p3 × p3_r pokazała dokładnie jedną parę dla każdej wartości (1 i 5, 2 i 4, 3 i 3), więc rekodowanie zadziałało. Wiek obliczony jako 2026 minus rok urodzenia wyniósł od 23 do 31 lat. Podział na grupy „do 24” i „25+” dał 2 i 4 osoby. Wiek z samego roku urodzenia może być zawyżony o rok, dlatego lepiej pytać o wiek w latach albo o pełną datę.

Jak opisać w pracy

Wynik skali obliczono jako średnią z czterech pozycji po odwróceniu punktacji pozycji 3 (6 − odpowiedź); możliwy zakres wyników wynosił 1–5. Wiek obliczono jako różnicę roku badania i roku urodzenia. Zmienne pochodne utworzono skryptem w R, bez zmian w zmiennych surowych.

Na co uważać

  • Kolejność kroków. Najpierw odwróć pozycje, potem licz wynik. Wynik policzony z nieodwróconą pozycją łączy odpowiedzi o przeciwnych kierunkach.
  • Grupy z punktu odcięcia tracą informację. MacCallum i in. (2002) pokazują, że dzielenie zmiennej ilościowej na dwie grupy rzadko da się obronić; więcej w haśle dzielenie medianą.
  • Po zmianie reguły przelicz wszystko ze skryptu, zamiast poprawiać pojedyncze wartości.

Średnią czy sumę wybrać jako wynik skali, wyjaśnia hasło wynik skali: średnia czy suma. Wynik bez kodu policzysz w kalkulatorze wyniku skali.

Przykład reprodukowalny

Zmienne pochodne w R

Kod odwraca punktację pozycji 3, liczy wynik skali i wiek, tworzy grupy wieku i sprawdza rekodowanie tabelą.

Wynik skali, wiek i grupa wieku

Dane wejściowe: 6 osób, rok urodzenia i odpowiedzi na 4 pozycje skali 1–5, z których p3 jest odwrócona (dane przykładowe).

Co odczytać: nowe kolumny obok surowych, tabelę p3 × p3_r (jedna para dla każdej wartości) oraz M i SD wyniku skali.

R
dane <- data.frame(id = 1:6, rok_ur = c(2001, 1998, 2003, 1995, 2000, 2002),
                   p1 = c(4, 2, 5, 3, 4, 1), p2 = c(5, 2, 4, 3, 4, 2),
                   p3 = c(2, 4, 1, 3, 2, 5), p4 = c(4, 1, 5, 2, 5, 2))   # skala 1–5, p3 odwrócona
dane$p3_r  <- 6 - dane$p3                                  # rekodowanie pozycji odwróconej
dane$wynik <- rowMeans(dane[, c("p1", "p2", "p3_r", "p4")])  # średnia z 4 pozycji
dane$wiek  <- 2026 - dane$rok_ur                           # wiek w roku badania (przybliżony)
dane$grupa_wieku <- cut(dane$wiek, breaks = c(-Inf, 24, Inf), labels = c("do 24", "25+"))
dane[, c("id", "p3", "p3_r", "wynik", "wiek", "grupa_wieku")]
table(dane$p3, dane$p3_r)                                  # kontrola: każda wartość ma jedną parę
round(c(M = mean(dane$wynik), SD = sd(dane$wynik)), 2)
Wynik w R
  id p3 p3_r wynik wiek grupa_wieku
1  1  2    4  4.25   25         25+
2  2  4    2  1.75   28         25+
3  3  1    5  4.75   23       do 24
4  4  3    3  2.75   31         25+
5  5  2    4  4.25   26         25+
6  6  5    1  1.50   24       do 24
   
    1 2 3 4 5
  1 0 0 0 0 1
  2 0 0 0 2 0
  3 0 0 1 0 0
  4 0 1 0 0 0
  5 1 0 0 0 0
   M   SD 
3.21 1.40

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i utils).

  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/

Najczęstsze pytania

Czy zmienne pochodne trzeba opisać w pracy?

Tak, przynajmniej te, których używasz w analizach. Podaj wzór lub regułę, możliwy zakres i sposób traktowania braków, np. „średnia z czterech pozycji po odwróceniu pozycji 3”.

Czy wynik skali lepiej liczyć w arkuszu, czy w R?

Lepiej skryptem w R albo składnią SPSS. Obliczenie da się wtedy powtórzyć i sprawdzić, a plik z danymi surowymi zostaje bez zmian.

Czy zmienna pochodna może zastąpić zmienną surową w zbiorze danych?

W analizie tak, w zbiorze danych nie. Zachowaj zmienne surowe, żeby móc sprawdzić obliczenia albo policzyć zmienną pochodną inaczej, np. z inną regułą dla braków.

Powiązane hasła

RekodowaniePozycja odwróconaWynik skali: średnia czy sumaKsiążka kodowaKodowanie zmiennych w RDzielenie medianą (median split)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Kalkulator wyniku skali

Pozycje odwrócone, suma, średnia, POMP i reguła prorated dla jednej osoby – w przeglądarce, bez wysyłania danych. Ze wzorami i kodem R.

Czytaj →Poradnik

R dla początkujących

Od instalacji R i RStudio do pierwszego testu t: wczytanie CSV i .sav, ramka danych, wynik skali, statystyki opisowe, d Cohena. Dane i skrypt do pobrania.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2–10. https://doi.org/10.1080/00031305.2017.1375989 ● Otwarty dostęp: pełny tekst
  2. MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{broman2018data, author={Broman, Karl W. and Woo, Kara H.}, title={{Data organization in spreadsheets}}, journal={The American Statistician}, year={2018}, volume={72}, number={1}, pages={2--10}, doi={10.1080/00031305.2017.1375989}}
@article{maccallum2002practice, author={MacCallum, Robert C. and Zhang, Shaobo and Preacher, Kristopher J. and Rucker, Derek D.}, title={{On the practice of dichotomization of quantitative variables}}, journal={Psychological Methods}, year={2002}, volume={7}, number={1}, pages={19--40}, doi={10.1037/1082-989x.7.1.19}}
R