高考申論題
111年
[社會行政] 社會研究法
第 二 題
二、在量化研究中，通常會對擬用的數據資料做：遺漏值（missing values）、離群值（outliers）、可能性檢核（wild code checks/ illegal value）、一致性檢核（consistency checks）、跳答檢核（skip/ filter checks）等等查察，以確保原始數據資料品質。請舉例說明上述 5 種數據檢核方式的意涵，並且指出如下虛擬資料中，符合上述 5 種檢核方式的數值（表中若有實例數值請舉一例即可）。（25 分）
變項名稱
| 樣本序號 | sex | age | eduY | pregnantN | childN |
|---|---|---|---|---|---|
| SN1 | 1 | 20 | 14 | 1 | 1 |
| SN2 | 0 | 15 | 9 | 10 | 1 |
| SN3 | 0 | 30 | 31 | 1 | 0 |
| SN4 | 1 | 18 | 18 | 777 | 0 |
| SN5 | 0 | 60 | 6 | 0 | 1 |
| SN6 | 0 | 65 | 5 | 2 | 10 |
| SN7 | 2 | 28 | 10 | 0 | 0 |
| SN8 | 1 | 19 | 777 | 999 | 0 |
變項數值說明：生理性別（sex），0 =女性，1 =男性；年齡（age），0-100 歲；教育年數（eduY），0-30 年；懷孕次數（pregnantN）：0-10；親生子女數（childN），1-10 人；適用於各變項值：777=不適用，999=遺漏值。為方便說明起見，可視上表為一 M x N 矩陣，矩陣中元素（數值）可以 Var [row, column]表示之，例如：Var[2,3]=9, Var[3,2]=30, Var[3,3]=31……。
變項名稱
| 樣本序號 | sex | age | eduY | pregnantN | childN |
|---|---|---|---|---|---|
| SN1 | 1 | 20 | 14 | 1 | 1 |
| SN2 | 0 | 15 | 9 | 10 | 1 |
| SN3 | 0 | 30 | 31 | 1 | 0 |
| SN4 | 1 | 18 | 18 | 777 | 0 |
| SN5 | 0 | 60 | 6 | 0 | 1 |
| SN6 | 0 | 65 | 5 | 2 | 10 |
| SN7 | 2 | 28 | 10 | 0 | 0 |
| SN8 | 1 | 19 | 777 | 999 | 0 |
變項數值說明：生理性別（sex），0 =女性，1 =男性；年齡（age），0-100 歲；教育年數（eduY），0-30 年；懷孕次數（pregnantN）：0-10；親生子女數（childN），1-10 人；適用於各變項值：777=不適用，999=遺漏值。為方便說明起見，可視上表為一 M x N 矩陣，矩陣中元素（數值）可以 Var [row, column]表示之，例如：Var[2,3]=9, Var[3,2]=30, Var[3,3]=31……。
📝 此題為申論題
思路引導 VIP
這題是實作題，測驗考生對「數據清洗（Data Cleaning）」的理解。答題順序：先分別定義五個專有名詞，接著直接對應表格中的數值給出實例。注意題目給定的變項數值範圍（如 age 0-100, eduY 0-30），這是判斷「可能性」與「離群值」的依據。邏輯檢核（如性別與懷孕的關係）則是判斷「一致性」的關鍵。計算座標時要細心，不要數錯行列。
🤖
AI 詳解
AI 專屬家教
【考點分析】 本題考查量化研究中的資料預處理（Data Pre-processing），特別是資料錯誤偵測與清理的實務操作。 【理論/法規依據】
▼ 還有更多解析內容