目录
在正式开始数据分析之前，
很多人会直接打开 SPSS 就跑回归或 t 检验。
但在实际研究与实务中，
进入分析之前，“先检查变量本身”往往比分析步骤更重要。
如果变量状态不稳定，
就容易出现缺失值、异常值、反向编码错误、量表不一致等问题，
导致分析无法正常运行，
或使结果产生严重偏差。
The Brain 在进入分析阶段之前，
始终会先确认变量的基础稳定性。
只要先完成下面这 5 项检查，
分析结果的可靠性就会明显提升。
1️⃣ 变量的“测量水平”是否与分析方法匹配？
分析的一半，其实在“测量水平”阶段就已经决定了。
但许多研究生并未准确区分变量属性，
从而选择了不恰当的分析方法。
常见测量水平示例：
名义（Nominal）：性别、专业类别
顺序（Ordinal）：满意度等级、偏好排序
等距（Interval）：李克特量表（1–5 分）
比例（Ratio）：年龄、收入、使用次数
例如，用顺序变量去做均值比较，
或对名义变量进行相关分析，
都会使结果无法被正确解释。
在分析前，必须先明确每个变量的测量水平。
2️⃣ 需要反向编码（reverse coding）的题目是否已整理？
带有否定表述的题目，必须进行反向编码。
例如：
“我不信任这个服务”（否定）
“我信任这个服务”（肯定）
如果不做反向编码就直接分析，
同一因子中的题目会呈现相反方向，
在回归、相关、因子分析中都会产生问题。
反向编码需要做到：
在变量名中标记
在 codebook 中说明
在数据文件中完成转换
The Brain 在分析前阶段会自动检测反向题目，
确保变量方向统一、无遗漏。
3️⃣ 缺失值是“偶然的”，还是“结构性的”？
有缺失值并不一定是问题，
关键在于：它集中在哪里。
例如：
若女性样本中特定题目缺失率异常高，
可能是问卷逻辑错误
若后半段题目缺失集中，
可能源于答题疲劳或题目过多
缺失值需要从以下维度拆解检查：
整体比例
题目位置
分组结构（性别、年龄、特征）
如果属于结构性缺失，
就需要重新调整分析模型。
4️⃣ 是否确认异常值（outlier）会不会影响结果？
异常值需从两个层面检查：
数值异常
如：使用次数 999 次、收入为 0
行为异常
如：所有题目选同一选项、答题时间极短
在存在异常值的情况下直接进行回归分析，
可能会出现：
回归系数方向颠倒
原本显著的结果消失
The Brain 会结合
答题时间、重复选择、题间相关结构
来综合识别异常模式。
5️⃣ 是否事先检查变量间的重复性（多重共线性）？
变量内容高度相似的情况非常常见。
在回归分析中，这会导致多重共线性问题：
VIF 数值过高
回归系数异常变化
尤其是以下类型变量：
信任
满意度
态度
行为意向
题目表述往往相近，
更需要事前检查是否存在重叠。
在分析前通过：
相关系数（r）
VIF
变量相似度
进行预检，
可以有效避免模型“崩溃”。
即使数据量再大，
只要变量状态不稳定，
分析结果就会动摇。
测量水平 → 反向编码 → 缺失值 → 异常值 → 重复性
只要先完成这 5 项检查，
分析过程会更顺畅，
结果解释的可靠性也会大幅提升。
The Brain 在分析前阶段
通过自动化的变量结构检测流程，
帮助研究生在稳定、可信的数据基础上
顺利开展统计分析。
