基于R语言的调查问卷NA值处理及分析流程咨询

一、核心问题梳理 #

• 区分真实未作答缺失和跳转题导致的逻辑缺失，不能一刀切删除NA
• 解决多选题多列合并时的数据错位bug
• 分析性别与特定问题缺失的相关性

二、分步解决方案 #

1. 先处理跳转题的逻辑缺失 #

跳转题的NA不是用户未作答，是问卷规则导致的无需作答，必须先标记这类NA，否则缺失统计会失真：

# 示例：假设Q1选"是"才需要答Q2-Q5，先创建跳转标记列
data$skip_Q2Q5 <- ifelse(data$Q1 == "是", FALSE, TRUE)
# 将跳转导致的NA替换为"逻辑缺失"，与真实NA做区分
data[, c("Q2","Q3","Q4","Q5")] <- lapply(data[, c("Q2","Q3","Q4","Q5")], function(x) {
  ifelse(data$skip_Q2Q5, "逻辑缺失", as.character(x))
})

后续统计缺失时，仅针对非“逻辑缺失”的NA进行计算。

2. 优化多选题合并（解决错位问题） #

你之前的for循环容易因变量名冲突（循环内Family_situation与列名重名）或因子匹配错误导致错位，改用向量化操作更稳定高效：

# 先把SP01-SP03转为数值型，避免因子匹配的NA坑
data$SP01_num <- ifelse(data$SP01 == "Oui", 1, 0)
data$SP02_num <- ifelse(data$SP02 == "Oui", 1, 0)
data$SP03_num <- ifelse(data$SP03 == "Oui", 1, 0)
# 处理other项：有有效内容则记为1
data$SP0_other_num <- ifelse(!is.na(data$SP0_other) & nchar(trimws(data$SP0_other)) > 0, 1, 0)

# 行求和统计选择数，无任何选择则设为NA
data$Family_situation <- rowSums(data[, c("SP01_num","SP02_num","SP03_num","SP0_other_num")], na.rm = TRUE)
data$Family_situation <- ifelse(data$Family_situation == 0, NA, data$Family_situation)

3. 统计真实缺失值 #

过滤掉逻辑缺失样本后，统计真实未作答的数量与比例：

# 统计Q6的真实缺失数
true_missing_Q6 <- sum(is.na(data$Q6) & !data$skip_Q6)

# 按性别分组计算缺失率，使用dplyr更便捷
library(dplyr)
data %>%
  filter(!skip_Q6) %>%  # 仅保留需要作答Q6的样本
  group_by(gender) %>%
  summarise(missing_rate_Q6 = mean(is.na(Q6)))  # 缺失率=缺失样本数/总有效样本数

4. 性别与缺失的相关性分析 #

用卡方检验看关联性，或逻辑回归控制其他变量：

# 卡方检验：性别与Q6是否缺失的关联性
missing_table <- table(data$gender, is.na(data$Q6) & !data$skip_Q6)
chisq.test(missing_table)

# 逻辑回归：加入年龄等控制变量，分析性别对缺失的影响
model <- glm(I(is.na(Q6) & !skip_Q6) ~ gender + age, data = data, family = binomial)
summary(model)

三、实用提醒 #

• 保留原多选题列是正确的，后续交叉分析（比如不同性别选“已婚”的比例）仍需用到原列数据
• 500+样本量下，向量化操作足够高效，无需复杂优化
• 每一步处理后建议保存中间数据，方便回溯验证

内容的提问来源于stack exchange，提问作者Natasha44