Xử lý dữ liệu bằng R: một workflow chạy được từ đầu đến cuối

1. Từ script rời rạc đến một dự án phân tích

Một script chạy được trên máy người viết chưa chắc chạy được ở máy khác. Nguyên nhân thường nằm ở đường dẫn tuyệt đối, object còn sót trong Environment, package chưa được ghi phiên bản hoặc dữ liệu đã bị sửa ngoài code.

RStudio Project tạo một thư mục gốc ổn định cho mã, dữ liệu và đầu ra. Tài liệu của Posit khuyến nghị dùng project để tách bối cảnh làm việc và quản lý tệp liên quan (Posit Software, PBC, n.d.-a).

2. Cấu trúc thư mục và nguyên tắc dữ liệu bất biến

Dữ liệu gốc nằm trong data/raw và không bị ghi đè. Script tạo dữ liệu phân tích trong data/derived. Bảng và hình được sinh tự động vào output. Cấu trúc này giữ ranh giới rõ giữa đầu vào, biến đổi và sản phẩm.

Không lưu mật khẩu, API key hoặc dữ liệu nhận diện cá nhân trong kho mã. Nếu dữ liệu nhạy cảm, file dữ liệu cần nằm ngoài kho công khai và README phải giải thích cách cấp quyền.

3. Khởi động từ một phiên sạch

RStudio có thể khôi phục workspace cũ. Cơ chế này tiện trong khám phá, nhưng object ẩn có thể làm script chạy thành công dù thiếu một bước tạo dữ liệu. Hãy tắt tự động khôi phục .RData và viết script tự tạo mọi object cần thiết.

Tài liệu RStudio mô tả cách cấu hình workspace và startup. Nhóm nghiên cứu nên thống nhất cài đặt này trong README (Posit Software, PBC, n.d.-b).

# Chạy sau khi mở đúng RStudio Project
getwd()

required_dirs <- c(
  "data/raw",
  "data/derived",
  "output/tables",
  "output/figures"
)

for (path in required_dirs) {
  if (!dir.exists(path)) dir.create(path, recursive = TRUE)
}

set.seed(20261025)

4. Nhập và kiểm tra schema dữ liệu

Kiểm tra schema ngay sau khi nhập: số dòng, tên biến, kiểu dữ liệu, tính duy nhất của ID, phạm vi và số giá trị thiếu. Không đợi đến khi mô hình báo lỗi mới quay lại bước này.

Ví dụ dùng hàm có sẵn của R để người đọc có thể chạy mà chưa cần cài package. Mã 99 được chuyển thành NA ngay khi nhập vì codebook quy định đây là user-missing.

raw <- read.csv(
  "data/raw/survey.csv",
  na.strings = c("", "NA", "99"),
  stringsAsFactors = FALSE
)

stopifnot("id" %in% names(raw))
stopifnot(!anyDuplicated(raw$id))

str(raw)
summary(raw)
colSums(is.na(raw))

likert_items <- c(
  paste0("satisfaction", 1:4),
  paste0("trust", 1:4)
)

range_errors <- vapply(
  raw[likert_items],
  function(x) sum(!is.na(x) & !(x %in% 1:5)),
  integer(1)
)

range_errors

5. Khai báo kiểu dữ liệu và nhãn phân loại

Một cột số không nhất thiết là biến liên tục. Mã 1, 2 và 3 của giới tính là nhãn phân loại. Chuyển thành factor giúp R không tự coi chênh lệch giữa các mã là khoảng cách định lượng.

Thứ tự của factor ảnh hưởng nhóm tham chiếu trong mô hình. Vì vậy levels và labels cần được khai báo bằng code, không dựa vào thứ tự xuất hiện trong tệp.

analysis <- raw

analysis$gender <- factor(
  analysis$gender,
  levels = c(1, 2, 3),
  labels = c("Woman", "Man", "Self-described")
)

analysis$satisfaction2_r <-
  ifelse(
    is.na(analysis$satisfaction2),
    NA,
    6 - analysis$satisfaction2
  )

6. Tạo điểm thang đo với quy tắc thiếu minh bạch

rowMeans với na.rm = TRUE có thể tạo điểm từ chỉ một chỉ báo còn lại. Điều đó thường không phù hợp nếu thang đo dự kiến phản ánh nhiều nội dung. Ví dụ dưới đây yêu cầu ít nhất ba trong bốn chỉ báo hợp lệ.

Quy tắc ba trên bốn chỉ là minh họa. Nghiên cứu phải xác định quy tắc từ thiết kế thang đo, mức độ thiếu và kế hoạch phân tích trước khi xem kết quả.

score_if_enough <- function(data, variables, min_valid) {
  values <- data[variables]
  n_valid <- rowSums(!is.na(values))
  score <- rowMeans(values, na.rm = TRUE)
  score[n_valid < min_valid] <- NA_real_
  score
}

analysis$satisfaction_mean <- score_if_enough(
  analysis,
  c("satisfaction1", "satisfaction2_r",
    "satisfaction3", "satisfaction4"),
  min_valid = 3
)

analysis$trust_mean <- score_if_enough(
  analysis,
  paste0("trust", 1:4),
  min_valid = 3
)

7. Mô tả dữ liệu và tạo hình kiểm tra

Bảng mô tả cần cho biết số quan sát hợp lệ, trung bình, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất. Hình phân phối giúp thấy giá trị bất thường hoặc cấu trúc mà một con số tóm tắt không biểu diễn.

Không nên dùng hình như một phép kiểm định tự động. Hãy đọc hình cùng với thiết kế đo lường và mục tiêu mô hình.

describe_one <- function(x) {
  c(
    n = sum(!is.na(x)),
    mean = mean(x, na.rm = TRUE),
    sd = sd(x, na.rm = TRUE),
    min = min(x, na.rm = TRUE),
    max = max(x, na.rm = TRUE)
  )
}

descriptives <- sapply(
  analysis[c("satisfaction_mean", "trust_mean", "outcome")],
  describe_one
)

write.csv(
  descriptives,
  "output/tables/descriptives.csv"
)

png("output/figures/outcome_histogram.png",
    width = 1600, height = 900, res = 150)
hist(analysis$outcome,
     main = "Distribution of outcome",
     xlab = "Outcome")
dev.off()

8. Ước lượng mô hình, khoảng tin cậy và chẩn đoán

Mô hình hồi quy minh họa dưới đây dùng outcome liên tục. Đây không phải lựa chọn mặc định cho mọi dữ liệu. Công thức, biến kiểm soát và cách xử lý missing phải khớp với câu hỏi nghiên cứu.

summary cung cấp ước lượng và sai số chuẩn theo giả định của mô hình. confint bổ sung khoảng tin cậy. Các hình chẩn đoán giúp rà dạng hàm, phần dư và điểm ảnh hưởng, nhưng kết luận cần dựa trên nhiều bằng chứng.

fit <- lm(
  outcome ~ satisfaction_mean + trust_mean + age,
  data = analysis
)

summary(fit)
confint(fit, level = 0.95)

png("output/figures/model_diagnostics.png",
    width = 1600, height = 1600, res = 150)
par(mfrow = c(2, 2))
plot(fit)
dev.off()

model_table <- cbind(
  estimate = coef(fit),
  confint(fit, level = 0.95)
)

write.csv(
  model_table,
  "output/tables/model_coefficients.csv"
)

9. Ghi lại môi trường và chạy lại toàn bộ

Phiên bản R và package là một phần của phương pháp. sessionInfo ghi hệ điều hành, phiên bản R và các package đã nạp; manual chính thức là điểm đối chiếu cho hành vi của hàm base R (R Core Team, n.d.). Nếu dự án dùng nhiều package, lockfile giúp mô tả phiên bản phụ thuộc.

Thực hành tái lập còn cần kiểm tra bằng một phiên sạch. Wilson và cộng sự (2017) khuyến nghị tự động hóa các bước lặp và ghi rõ phụ thuộc của phân tích.

write.csv(
  analysis,
  "data/derived/survey_analysis.csv",
  row.names = FALSE,
  na = ""
)

capture.output(
  sessionInfo(),
  file = "output/session-info.txt"
)

# Kiểm tra cuối:
# 1. Khởi động lại R
# 2. Mở project
# 3. Chạy lần lượt các script trong README
# 4. So sánh bảng và hình được tạo lại

10. Mẫu báo cáo và bảng kiểm bàn giao

• Script chạy được từ một phiên R sạch.
• Không có đường dẫn tuyệt đối tới máy cá nhân.
• Dữ liệu gốc không bị ghi đè.
• Kiểu biến, phạm vi, ID và missing được kiểm tra bằng code.
• Quy tắc tạo điểm được ghi rõ.
• Bảng và hình được sinh từ object phân tích.
• Seed được đặt khi có bước ngẫu nhiên.
• sessionInfo và phiên bản package được lưu.
• Dữ liệu nhạy cảm và thông tin đăng nhập không nằm trong kho mã.