목차
설문 데이터를 정리하다 보면
이 부분에서 한 번씩 멈추게 됩니다.
“이 빈칸… 그냥 지워도 되는 걸까?”
응답 데이터를 보면
👉 일부 문항이 비어 있는 경우
👉 응답 누락이 섞여 있는 경우
생각보다 많이 발생합니다
이걸 그대로 두고 분석하면
👉 오류가 나거나
👉 결과가 왜곡될 수 있습니다
그래서 이번 글에서는
👉 결측값 처리 방법을 기준 중심으로 정리해드립니다
📊 결측값이란 무엇인가
👉 결측값 = 응답이 없는 데이터
예시
- 문항 미응답
- 중간 이탈
- 입력 오류
👉 단순한 빈칸이 아니라
👉 분석 결과에 직접 영향을 주는 요소입니다
1️⃣ 결측값을 삭제하는 경우
❌
무조건 삭제
✔
조건부 삭제
👉 가장 기본적인 방법
👉 결측값이 있는 데이터를 제거
✔ 사용 기준
- 결측 비율이 낮을 때 (5~10% 이하)
- 표본 수가 충분할 때
👉 장점
- 간단함
- 분석 안정적
👉 단점
- 표본 수 감소
2️⃣ 결측값을 대체하는 경우
❌
아무 값으로 채움
✔
통계 기준 적용
👉 결측값을 다른 값으로 채우는 방법
✔ 대표 방법
- 평균값 대체
- 중앙값 대체
- 이전 값 기반 대체
👉 사용 기준
- 결측 비율이 높은 경우
- 표본 수 유지가 중요한 경우
3️⃣ 언제 삭제 vs 대체를 써야 할까
👉 이게 핵심임
✔ 삭제가 적절한 경우
- 결측이 일부만 존재
- 특정 패턴 없음
- 표본 충분
✔ 대체가 필요한 경우
- 결측 비율 높음
- 특정 집단에서 집중 발생
- 표본 유지 중요
4️⃣ 가장 많이 하는 실수
❌ 1. 기준 없이 삭제
👉 그냥 눈에 보이는 거 삭제
👉 데이터 왜곡
❌ 2. 무조건 평균 대체
👉 편하게 처리
👉 분포 왜곡
❌ 3. 결측값 무시
👉 그대로 분석
👉 오류 발생
📌 결측값은 ‘데이터 품질 문제’입니다
많은 분들이
👉 결측값을 단순 오류로 생각합니다
하지만 실제로는
👉 데이터 신뢰도를 좌우하는 요소입니다
📌 논문에서는 반드시 설명해야 합니다
👉 결측값 처리 방법
👉 논문에 반드시 포함해야 함
✔ 예시 문장
“결측값은 평균 대체 방식을 적용하여 처리하였다”
또는
“결측값이 포함된 데이터는 제거 후 분석을 진행하였다”
📌실제로 느꼈던 부분
저도 처음에는
👉 결측값을 크게 신경 안 썼는데
분석 결과가 이상하게 나온 적이 있습니다
이후에는
처리 기준을 잡고 진행했더니
👉 결과가 훨씬 안정적으로 나오더라고요
(더브레인에서 데이터 정리 기준 같이 보면서 더 체감했습니다)
📓 정리
결측값 처리는
👉 단순한 정리가 아니라
👉 분석 결과를 결정하는 과정입니다
특히
- 삭제 vs 대체 기준
- 일관된 처리 방식
- 논문 설명 가능 여부
이 세 가지가 중요합니다
그래서 결측값은
👉 “그냥 처리”가 아니라
👉 “기준을 정하고 처리”하는 것이 핵심입니다