Máte sesbíraná data z dotazníku, vytvořili jste datovou matici v Excelu a chystáte se na první výpočty. Než ale spustíte statistické testy, měli byste provést důležitou kontrolu, kterou mnoho studentů a začínajících výzkumníků podceňuje – hledání odlehlých hodnot (tzv. outliers).
I pouhá jedna špatně zapsaná hodnota dokáže kompletně „rozbít“ průměry, zkreslit výsledky t-testů a vést k úplně chybným závěrům celé závěrečné práce. Podívejme se krok za krokem na to, co odlehlé hodnoty jsou, jak je odhalit a co s nimi dělat.
Co je odlehlá hodnota a jak vzniká
Odlehlá hodnota je pozorování (nebo celkový záznam respondenta), které se nápadně liší od ostatních dat v souboru. V zásadě mohou mít tři různé příčiny:
- Technická chyba (překlep): Respondent (nebo vy při přepisování papírových dotazníků) se uťukne na klávesnici. Například u věku místo 25 napíše 250, nebo u měsíčního příjmu přidá o jednu nulu navíc.
- Jiné chování odlišné subpopulace: Data jsou v pořádku, ale dotyčný respondent se chová zcela odlišně než zbytek vzorku (např. v průzkumu firemních nákladů na IT uvede malá firma výdaje 5 000 Kč, ale gigant jako Alza či Škoda Auto uvede miliardy).
- Reálný extrémní jev: Hodnota je naprosto správná a představuje extrémní, avšak reálný případ (např. v dotazníku na počet přečtených knih za rok uvede vášnivý čtenář hodnotu 120).
1. Jak odlehlé hodnoty detekovat?
Než začnete data jakkoliv mazat, musíte je bezpečně identifikovat. K tomu slouží dva hlavní přístupy – grafický a statistický.
A. Grafické metody (Oko je nejlepší přítel)
- Krabicový graf (Boxplot): Ideální a nejrychlejší nástroj v Excelu, SPSS, JAMOVI dalších software. Boxplot ukazuje medián a kvartily. minimální a maximální hodnoty. Hodnoty, které leží vně „vousů“ (whiskers) grafu (zpravidla dále než 1,5násobek mezikvartilového rozpětí), software automaticky označuje jako potenciální odlehlé hodnoty.
- Histogram: Pomůže vám vidět celkové rozdělení dat. Pokud má histogram extrémně dlouhý „ocas“ na jedné straně, pravděpodobně v něm outlieři schovaní jsou.
B. Statistické metody (Pro exaktní posouzení)
- Metoda IQR (Interkvartilové rozpětí): Vychází z rozdílu mezi třetím (Q3) a prvním (Q1) kvartilem. Spodní a horní hranice přijatelných hodnot se počítá jako:
- Spodní hranice = Q1 – 1,5 * IQR
- Horní hranice = Q3 + 1,5 * IQR
Vše, co leží mimo tento interval, je podezřelé.
- Z-skóre (Standardizované skóre): Hodí se pro data s normálním rozdělením. Z-skóre vyjadřuje, o kolik směrodatných odchylek leží daný bod od průměru. Za odlehlé se obvykle považují hodnoty, jejichž absolutní hodnota Z-skóre je větší než 3.
2. Strategie řešení: Co s odlehlými hodnotami dělat?
Jakmile odlehlou hodnotu odhalíte, nesmíte ji bezhlavě smazat jen proto, „že kazí graf“. Postupujte podle následujícího klíče:
| Typ situace | Doporučený postup | Poznámka |
|---|---|---|
| Zjevná chyba/překlep (věk 300 let, záporná cena) | Opravit nebo smazat | Pokud víte, co byla správná hodnota (např. překlep v desítkách), opravte ji. Pokud ne, celý řádek respondenta vymažte. |
| Reálný extrém (velmi vysoký příjem, specifický případ) | Ponechat, transformovat nebo použít robustní metody | Pokud jde o platná data, smazáním byste zkreslili realitu. Často pomáhá logaritmická transformace dat nebo použití neparametrických testů. |
| Hodnota je středem vašeho zájmu (např. detekce anomálií, extrémní chování) | Vždy ponechat | Pokud zkoumáte specifické chování (např. nejloajálnější zákazníky), jsou pro vás outlieři tou nejcennější částí dat. |
Shrnutí pro vaši závěrečnou práci
Ošetření odlehlých hodnot je nutnou součástí čištění dat před samotnou inferenční statistikou. V metodice své bakalářské či diplomové práce nezapomeňte stručně zmínit, jak jste s odlehlými hodnotami nakládali. Komise v oponentních posudcích velmi oceňuje, když student prokáže, že svá data kriticky zkontroloval.