質問紙調査のデータクリーニングとは？手順と実務のポイントを解説

質問紙調査では、回収した調査票を集計可能なデータへ変換する過程で、入力ミスや矛盾した回答、無回答といったさまざまな不備が紛れ込みます。これらを点検しないまま分析を進めると、平均値や構成比が実態とずれ、結論そのものが歪んでしまうこともあります。

特に紙の調査票には、Web調査には存在しない「調査票からデータへの入力工程」が加わるため、データクリーニングの起点や論点も独特です。

本記事では、紙の質問紙調査ならではのデータクリーニングの手順を順に整理し、実務で役立つポイントや失敗例まで具体的に解説します。これから調査データの整備に取り組む方は、ぜひ参考にしてください。

質問紙調査におけるデータクリーニングとは

データクリーニングとは、収集したデータに含まれる誤りや不整合、欠損を点検し、分析に使える状態へ整える一連の作業を指します。整ったデータを用意できているかどうかが、信頼できる調査結果を得るための前提になります。

質問紙調査の場合は、紙の調査票に書かれた回答を数値データへ変換する入力工程が加わるため、Web調査よりも点検すべき工程が一段増えるのが特徴です。手書きの判読や転記の正確さまで含めて確認する必要があり、データ化の段階から品質を意識することが求められます。とりわけ手書き文字の読み取りは解釈の幅が出やすく、判読のルールを事前に共有しておくことが品質の安定につながるポイントです。

• 入力された数値が原票と一致しているかの点検
• 白紙・複数回答・記入漏れなどの無効票の判定
• 論理的に矛盾する回答の発見と修正
• 欠損値（無回答）の扱いの判断
• 外れ値・異常値の確認
• 自由記述や手書き回答の整理とコード化

質問紙調査でデータクリーニングが必要な理由

データクリーニングは手間のかかる作業ですが、省略すると分析全体の価値を損ないかねません。ここでは、なぜこの工程が欠かせないのかを、分析結果への影響・作業効率・調査の信頼性という三つの観点から見ていきます。

不適切な回答が分析結果を歪めるため

質問紙調査では、回答者の記入ミスや入力時の誤りによって、本来あり得ない値が混入することがあります。誤った回答が数件混じるだけでも、平均値や構成比といった代表値は実態から大きくずれてしまいます。

たとえば年齢欄に「150」と入力されていた場合、その1件が平均年齢を押し上げ、年代別の傾向分析をゆがめてしまいます。分析の前にこうした不備を取り除いておくことが、意思決定を誤らせないための土台になるのです。とりわけ少人数を対象とした調査では、わずかな異常値が全体の傾向を左右しやすく、点検の重要性はいっそう高まります。関連する考え方は、データ品質を扱った次の記事でも整理しています。

データ品質とは？品質評価項目や品質を向上させるための実務的対策を解説

分析の手戻りを防ぎ作業を効率化するため

データの不備は、分析を進めてから発覚すると修正の影響範囲が大きくなります。集計表やグラフを作り直し、場合によっては考察まで見直すことになり、手戻りのコストは想像以上にかさみます。

クリーニングを最初にまとめて済ませておけば、後工程で同じ確認を繰り返す必要がなくなります。結果として、分析者は本来注力すべき解釈や考察に時間を割けるようになります。データ整備の全体像は、データクレンジングの解説記事もあわせてご覧ください。

データクレンジングとは？意味と代表手法を解説！

調査結果の信頼性と再現性を担保するため

調査結果を社内外に共有する際には、その数値がどのように整えられたのかを説明できることが重要です。どの回答をどんな基準で修正・除外したのかが曖昧だと、結果への信頼が揺らいでしまいます。

処理の基準と手順を記録しておけば、第三者が同じ手続きをたどって同じ結果を再現できる状態を保てます。これは調査の透明性そのものであり、報告の説得力を支える要素ともいえるでしょう。アンケート分析全体の進め方は、次の記事で詳しく解説しています。

15年の経験を持つ私が推奨するアンケート分析の５つの手順

質問紙調査（紙）ならではのデータクリーニングの進め方

紙の質問紙調査には、Web調査とは異なる固有の工程があります。調査票をデータ化する入力作業や、回答制御が効かないことによる矛盾の確認など、紙ならではの観点を順番に押さえることが大切です。ここからは、実務で踏むべき手順を六つのステップに分けて紹介します。

STEP1．原票照合：データ入力時のパンチミスを点検する

紙の調査票では、まず回答をデータへ打ち込む入力作業が発生します。この入力時の打ち間違い、いわゆるパンチミスを見つける作業が原票照合です。データと元の調査票（原票）を突き合わせ、転記が正確かを確かめます。抽出して確認する場合は、全体の五から十パーセント程度を目安に無作為で選ぶと、入力の傾向的な誤りを見つけやすくなるでしょう。

全件の照合が難しい場合は、入力データを一定数だけ抽出し、原票と一致しているかをサンプルで確認する方法も有効です。入力された数値が原票と一致しているかを最初に確かめることが、後工程すべての精度を左右します。名寄せの考え方は、データの突き合わせという点で参考になります。

名寄せとは？正確な顧客データ管理の方法と活用ポイントを徹底解説

STEP2．無効票の判定：白紙・複数回答・記入漏れを処理する

回収した調査票の中には、そのままでは集計に使えないものが含まれます。ほぼ白紙の回答や、単一回答であるべき設問への複数マーク、設問の大半が空欄の票などです。これらを無効票として扱うか、一部だけ有効とみなすかを判断します。判断の難しい票ほど主観が入り込みやすいため、迷ったときの扱いをあらかじめ決めておくことが欠かせません。

代表的なパターンと判定の考え方を整理すると、次のようになります。判定に迷う票は、個別に保留して後でまとめて検討するとよいでしょう。

STEP3．論理チェック：回答制御がない枝分かれ質問の矛盾を点検する

Web調査では、前の設問への回答に応じて次の設問を出し分ける回答制御が自動で働きます。一方の紙の調査票では、この制御が効きません。紙の調査票では回答制御が働かないため、論理的な矛盾を人の目で点検する必要があります。

たとえば「商品を利用したことがない」と答えた人が、その後の利用満足度に回答しているようなケースです。こうした論理チェックでは、本来は無回答であるべき設問への回答を洗い出し、原票に立ち返って実態を確認したうえで処理を決めます。設問間の整合性を一つずつ確かめる、紙ならではの重要な工程といえます。矛盾の多くは設問の流れを丁寧にたどることで把握でき、原票が手元にある紙の調査だからこそ確実に裏づけを取れるのです。

STEP4．欠損値（無回答）の確認と補完・除外の判断

記入漏れや無回答によって生じる空欄が欠損値です。質問紙調査では一定の欠損が避けられないため、各設問でどの程度の欠損が出ているかを最初に把握します。

欠損が多い設問は、設問文のわかりにくさなど別の要因が潜んでいる場合も少なくありません。対応としては、平均値などで補う補完と、該当ケースを分析から外す除外がありますが、欠損の理由を見極めずに一律で削除すると、有効な回答まで失う恐れがあります。基本統計量の考え方は、欠損の傾向を把握する際にも役立ちます。

統計学の基礎である「基本統計量」についてわかりやすく解説

STEP5．外れ値・異常値の検出と原票への立ち返り

他の回答から大きく離れた値が外れ値です。中でも、入力ミスや明らかな記入誤りによって生じた、本来あり得ない値は異常値と呼ばれます。これらは箱ひげ図や基本統計量を使うと見つけやすくなります。分布の中で極端に離れた点や、想定される範囲を超えた最大値・最小値に目を向けると、確認すべき候補を効率よく絞り込めるはずです。

外れ値を見つけたら、すぐに削除するのではなく、まず原票に立ち返って原因を確認します。入力ミスであれば正しい値に修正し、回答者が実際に記入した正当な値であれば、安易に取り除かないことが原則です。外れ値の見方は、箱ひげ図の解説記事が参考になります。

箱ひげ図とは？外れ値の見方やExcelでの作成方法まで徹底解説

STEP6．自由記述・手書き回答のコーディング

自由記述や手書きの回答は、そのままでは集計できません。これらを分類し、数値や記号のコードに置き換える作業がコーディングです。紙の調査票では手書き文字の判読も必要になり、Web調査にはない手間がかかります。回答を読みながら分類項目を後から立ち上げる方法と、あらかじめ用意した分類に当てはめる方法があり、調査の目的に応じて選ぶのが基本です。

まず回答内容に目を通して分類の枠組みを決め、その基準に沿って一つずつコードを割り当てていきます。判読が難しい文字は、推測で処理せず保留にして複数人で確認すると、解釈のばらつきを抑えられます。テキストの整理や分析には、テキストマイニングの考え方も活用できるでしょう。

テキスト分析を分析する「テキストマイニング」をわかりやすく解説

データクリーニングを正確に進めるためのポイント

手順を理解していても、進め方を誤ると品質にばらつきが生じます。ここでは、クリーニングをより正確で再現性の高いものにするための実務的なポイントを、入力・ルール化・対応方針の三つの観点から紹介します。

入力段階でベリファイ（二度打ち）を行い誤入力を抑える

入力ミスは、後から探すより入力時に防ぐほうが効率的です。そこで有効なのがベリファイ（二度打ち）という手法です。同じ調査票を二人が別々に入力し、両者の結果を突き合わせて食い違いを検出します。

一致しない箇所だけを原票で確認すればよいため、点検の範囲を絞り込めるのも利点です。二人が独立して入力し突き合わせることで、入力ミスの大半を着手段階で防げます。件数が多い調査ほど、この一手間が後工程の負担を大きく軽くしてくれます。

無効票・修正の判定基準を着手前にルール化しておく

どの票を無効とするか、どこまでを修正の対象とするかは、作業を始めてから判断すると担当者ごとに揺れが生じます。複数人で分担する調査では、この揺れがそのまま品質のばらつきになります。

そのため、着手前に判定基準を文書としてまとめておくことが大切です。白紙の扱い、複数回答の処理、判読できない記入への対応などをあらかじめ決めておけば、誰が作業しても同じ結果に近づきます。基準は作業中に出てきた例外も追記し、随時更新していくとよいでしょう。運用にあたっては、判定基準を一覧化したチェックリストを用意し、各担当者が同じ判断にたどり着ける仕組みにしておくと安心です。

修正と除外のどちらが適切かを回答ごとに使い分ける

不備のある回答への対応には、値を正しく直す修正と、その回答を分析から外す除外があります。どちらを選ぶかは、原因を特定できるかどうかで変わってきます。

両者の使い分けを整理すると、次の表のようになります。いずれの場合も、判断の根拠と件数を記録に残しておくことが欠かせません。

質問紙調査のデータクリーニングでありがちな失敗パターン

最後に、現場で起こりがちな失敗を確認しておきます。あらかじめ典型的なつまずきを知っておくことで、同じ過ちを避けやすくなるはずです。ここでは特に紙の調査でよく見られる四つのパターンを取り上げます。

外れ値を分析前に安易に除外してしまう

外れ値を見つけると、つい邪魔なデータとして取り除きたくなります。しかし、外れ値の中には、回答者が実際に記入した正当な値も含まれています。

それらを無条件に除外すると、本来は意味のある少数意見や特異な傾向まで失われてしまいます。除外する前に必ず原因を確かめ、入力ミスなのか実際の回答なのかを見極めることが必要です。四分位範囲を使った外れ値の判断は、次の記事が参考になります。

四分位範囲とは？四分位数や四分位偏差との違いを分かりやすく解説！

原票を確認せずデータ上だけで修正してしまう

作業を急ぐあまり、原票を見ずにデータ上の値だけで判断して直してしまうことがあります。これは紙の質問紙調査では特に避けたい対応です。

入力後のデータだけを見て「おかしい」と感じても、原票を確認すると入力ミスではなく正しい回答だった、というケースは珍しくありません。原本に立ち返って原因を確認できることは紙の調査票ならではの強みであり、その利点を活かさない修正は避けるべきです。

欠損値を一律に削除し有効回答を減らしてしまう

欠損のあるケースをまとめて削除すると、処理は簡単に済みます。しかし、ある設問が無回答というだけで票全体を削除すると、他の設問では有効だった回答まで一緒に失ってしまいます。

特に回収数が限られる調査では、こうした一律削除がサンプルサイズを大きく減らし、分析の精度を下げる要因になります。欠損は設問単位で扱い、票そのものを残せないかをまず検討することが望ましいといえます。やむを得ず票単位で除外する場合でも、削除した件数とその影響をあわせて確認しておくことが大切です。

クリーニングの記録を残さず処理を再現できなくなる

どの回答をどう処理したかを記録せずに進めると、後から手順を振り返れなくなります。担当者本人ですら、数週間後には判断の理由を思い出せないことがあります。

記録がなければ、結果を問われても根拠を示せず、別の担当者が同じ処理を再現することもできません。修正・除外の内容と件数、判断基準を作業ログとして残しておくことが、調査の信頼性を支える土台になります。記録にはいつ・誰が・どの票をどう処理したのかまで含めておくと、後からの照合や引き継ぎがぐっと楽になるでしょう。

質問紙調査のデータクリーニングの実践例

ここまでの手順とポイントが、実際の調査でどのように活きるのかを二つの例で見ていきます。いずれも紙の調査票ならではの論点が表れた場面であり、対応の勘どころを具体的にイメージしやすくなるはずです。

教育系調査：枝分かれ質問の論理矛盾を原票照合で整理した例

ある学校で実施した児童・保護者向けの調査では、回答制御の効かない枝分かれ質問で矛盾が多数見つかりました。「参加していない」と答えた人が、その後の満足度設問に回答しているケースです。

そこで該当する票を抽出し、一つずつ原票に立ち返って実態を確認しました。記入の流れから本来は無回答だったと判断できたものは欠損として処理し、明らかな勘違いによる記入は除外しています。論理チェックと原票照合を組み合わせることで、矛盾を一貫した基準で整理できました。当初は無効と思われた票の一部を、有効回答として活かせた点も大きな成果です。

医療・看護系調査：手書き自由記述のコーディング基準を統一した例

医療現場で行った自由記述中心の調査では、複数の担当者が手書き回答を分類したため、同じ内容でも人によって異なるコードが割り当てられる問題が起きました。

対応として、回答に頻出する内容を洗い出して分類の枠組みを定め、判断に迷いやすい例を基準書にまとめました。判断基準をあらかじめ言語化しておくことで、担当者が変わっても同じ基準でコーディングできます。基準書を共有してから作業をやり直した結果、分類のばらつきが大きく減りました。

まとめ

質問紙調査のデータクリーニングは、調査票をデータ化する入力工程から始まり、無効票の判定、論理チェック、欠損値や外れ値の確認、自由記述のコード化まで、紙ならではの工程が連なります。原本である原票に立ち返れる強みを活かしつつ、判定基準のルール化と処理の記録を徹底することが、信頼できる調査結果につながります。

「これから質問紙調査のデータクリーニングに取り組みたいけれど、何から手をつけたらいいかわからない」「データの専門家の知見を取り入れたい」という方は、データ分析の実績豊富な弊社、データビズラボにお気軽にご相談ください。

貴社の課題や状況に合わせて、データクリーニングの取り組みをご提案させていただきます。

データビズラボの実績無料相談・お見積り