데이터를 정리하다 보면
변수 이름을 이렇게 만들기 쉽습니다.
a1, a2, var1, new1
“나만 알아보면 되지.”
처음에는 별문제 없어 보입니다.
하지만 변수가 수십 개를 넘어가는 순간,
대충 만든 변수명은 분석할 때 그대로 돌아옵니다.
1️⃣ 며칠만 지나도 내가 만든 변수를 모릅니다
분석 당시에는
Q12_1이 무엇인지 기억합니다.
하지만 한 달 뒤
논문을 수정하려고 파일을 열면
🤔 “이게 만족도였나?”
🤔 “구매의도였나?”
다시 설문지부터 찾아보게 됩니다.
변수명만 봐도
대략적인 의미를 파악할 수 있도록
정리하는 것이 좋습니다.
2️⃣ 비슷한 변수를 헷갈릴 수 있습니다
SAT1, SAT2처럼
규칙을 정해두면 괜찮지만,
a1, b2, new3처럼 만들면
분석 과정에서
엉뚱한 변수를 선택할 가능성이 커집니다.
⚠️ 특히 회귀분석이나 요인분석처럼
변수를 여러 개 넣을 때는
작은 선택 실수가 결과까지 바꿀 수 있습니다.
3️⃣ 원본 변수와 가공 변수가 섞입니다
분석하다 보면
역코딩 변수,
평균점수,
더미변수처럼
새로운 변수를 계속 만들게 됩니다.
예를 들어
stress3와 stress3_R처럼
규칙을 정해두면 구분하기 쉽습니다.
👉 원본과 가공 변수를 구분할 수 있는 이름이 필요합니다.
4️⃣ 다른 사람이 데이터를 이해하기 어려워집니다
논문 데이터는
나 혼자만 볼 수도 있지만,
교수님이나 공동연구자와
공유해야 할 수도 있습니다.
v1, v2, v3만 가득한 파일보다
변수명과 변수 설명이 정리된 데이터가
훨씬 확인하기 쉽습니다.
📋 이때 함께 필요한 것이
코드북(Codebook) 입니다.
5️⃣ 처음 10분 정리가 나중의 몇 시간을 줄입니다
변수명을 정할 때는
거창할 필요가 없습니다.
📌 age → 연령
📌 job_sat1 → 직무만족 1번 문항
📌 job_sat_mean → 직무만족 평균
📌 job_sat1_R → 직무만족 1번 역코딩
이처럼 일정한 규칙만 만들어도
나중에 데이터를 다시 볼 때
훨씬 편해집니다.
🔥 핵심 정리
변수명은
단순한 데이터 파일의 이름표가 아닙니다.
👉 어떤 데이터인지 빠르게 구분하고, 분석 실수를 줄여주는 가장 기본적인 데이터 관리 장치입니다.
📌 이렇게 보면 됩니다
✔ 변수명 작성 규칙 먼저 정하기
✔ 같은 척도는 동일한 이름 체계 사용
✔ 원본·역코딩·가공 변수 구분
✔ 변수명과 의미를 코드북에 기록
✔ 처음 보는 사람도 구분 가능한지 확인
👀 많이 틀리는 포인트
a1, new1, 최종2처럼 임의로 만들기 ❌
분석할 때마다 변수명 바꾸기 ❌
원본과 가공 변수를 구분하지 않기 ❌
변수 설명을 기억에만 의존하기 ❌
👉 좋은 데이터 관리는
분석을 시작한 오늘뿐 아니라, 몇 달 뒤 다시 파일을 열어도 바로 이해할 수 있게 만드는 것에서 시작합니다.
