📌 SPSS 데이터 전처리 필수 가이드 2편

변수 계산과 코딩 변경 완전 정복

전처리가 필요한 또 다른 이유는
분석에 꼭 필요한 변수들이 원형 그대로 존재하지 않을 수 있기 때문입니다.

예시

• 연속형 연령 → 연령대 범주로 변환 필요
• 5개 만족도 문항 → 하나의 평균 점수 필요
• 역문항 → 방향 반대라 점수 수정 필요

이럴 때 SPSS의 변환 기능을 활용합니다.

---

1️⃣ 새로운 변수 만들기 Compute Variable

여러 데이터를 결합해 새 변수 생성

사용 예시

• 만족도 전체 평균
• 지수화·표준화
• 매출, 합산, 차이, 비율 생성

SPSS 실행

변환 → 변수 계산
(Compute Variable)

입력 내용

• 목표 변수 이름 (예 Sat_Mean)
• 숫자 표현식 (예 MEAN(Q1 to Q5))

👉 데이터 시트 맨 오른쪽에 새 변수 생성됨

Tip
문항이 여러 개일 때는 Mean 함수 적극 활용
결측값 제외하고 평균 계산할 수 있어 정확도가 높습니다.

---

2️⃣ 다른 변수로 코딩 변경 Recode into Different Variables

값 재분류, 역코딩, 범주화

자료 코딩은 해석 방향을 정하는 작업입니다.

사용 예시

상황	방법
연속형 나이를 연령대 범주로	20대=1, 30대=2 등
역문항 포함된 척도	1↔5, 2↔4 등 방향 변경
응답 범주 통합	불만족과 매우불만족 통합

SPSS 실행

변환 → 다른 변수로 코딩 변경

• 기존 값 → 새로운 값 설정
• 범위 지정도 가능 (20~29 → 1)

👉 원본 변수 보존하면서 새 변수 생성됨

중요
더미변수 생성이 필요한 분석(회귀, 로지스틱)은
코딩이 명확하지 않으면 결과가 뒤집힐 수 있음

---

✦ 전처리 확인 체크리스트 ✦

항목	질문
케이스	분석 대상과 목적에 맞게 선택했는가
결측값	처리 기준을 명시했는가
이상치	제거 또는 사유 기록했는가
변수 계산	수식 오류 없는가
코딩	기준 방향 명확하게 설정했는가

---

마무리

통계분석에서 많은 오류는
분석 방법이 아니라 전처리 미흡에서 발생합니다.

전처리를 꼼꼼히 수행하면

• 분석 속도 향상
• 재분석 최소화
• 논문 심사 문제 감소

라는 장점까지 얻을 수 있습니다.