缺失值如何處理，spss教程

我們使用SPSS做數據分析的時候，有時會因為問卷的設置或者數據的保存等原因，造成用於分析的數據部分缺失，怎樣處理才能沒有缺失值？

材料/工具

SPSS軟件 缺失的數據

方法2

分類變量：若分組分析，選擇相應的分組變量，在“最大類別”輸入最大的分類數，默認25，超過規定分類數則不進行分析。“個案標籤”選擇一定變量作為標記變量，也不可不選擇。“估計”方法選擇如圖所示的幾個。

“模式”：“按照缺失值模式分組的表格個案”：以表格形式列出每個變量各種缺失方式的缺失例數。

“按照缺失值模式對變量排序”：缺失率太小的缺失方式不予顯示，系統默認1%。

“單變量統計分析”：給出每個變量的未缺失數、缺失數與缺失率，對於“定量變量”給出均數、標準差及極端值個數等。

“百分比不匹配”：以矩陣形式給出每一對變量不匹配（其中一個變量缺失而另一個變量不缺失）例數佔總例數的百分比，對角線位置上即為單個變量的缺失率。

“T檢驗”：按照缺失指示變量將各計量變量分為兩組，用T檢驗比較兩組均數有無差別，助於判斷變量是否為完全隨機缺失。

“交叉表”：按各分類變量分類給出其他變量的缺失數和缺失率及每種缺失方式的比例。

缺失率太小的不予顯示，默認為5%。

“估計”：估計含有缺失值的變量的均數、相關陣和協方差矩陣。

按列表：各入選變量均無缺失值的觀察單位參加估計。

成對：所有入選變量兩兩匹配，每對變量無缺失值的觀察單位參加估計。

EM（Expectation-Maximization）：期望-最大似然估計法，採用迭代法建模.關於EM建模法，先利用未缺失值建模估計缺失值的期望值，然後迭代計算，用最大似然估計法重新估計參數。

迴歸：多元線性迴歸估計缺失值，給出被預測值的均數、協方差陣即相關陣。

“估計”：估計含有缺失值的變量的均數、相關陣和協方差矩陣。

按列表：各入選變量均無缺失值的觀察單位參加估計。

成對：所有入選變量兩兩匹配，每對變量無缺失值的觀察單位參加估計。

EM（Expectation-Maximization）：期望-最大似然估計法，採用迭代法建模.關於EM建模法，先利用未缺失值建模估計缺失值的期望值，然後迭代計算，用最大似然估計法重新估計參數。

迴歸：多元線性迴歸估計缺失值，給出被預測值的均數、協方差陣即相關陣。

EM：正太分佈是系統默認的；混合正太分佈，兩個分佈混合比例，在0-1之間，標準差的比值，取值大於0，餘下的值用户自己定義；假定服從t分佈，自由度用户自己定義。最大迭代次數為系統默認25。

迴歸：四個選項中選擇一個作為迴歸模型中的誤差項，系統默認隨機抽取未缺失數據的殘差作誤差項。

方法3

調出相關操作界面。其數據的處理方法大致都是用變量的集中位置指標來替代缺失值，主要適合於完全隨機缺失的資料，若不是完全隨機的，得用“缺失值分析”模塊分析缺失數據。

名稱：給替代後變量命名。方法：給出了5中缺失值的替代方法。

“附（鄰）近點的跨度”：系統默認的是2，即缺失值上下兩個觀察值作為範圍。若選擇“全部”，即將所有的觀察值作為臨近點。

擴展閲讀，以下內容您可能還感興趣。

SPSS 非缺失值少於2個怎麼處理？具體一些

錯誤原因：logistic是一種特殊的迴歸分析，對因變量有特殊的要求即二分類變量。就是隻有兩種可能結果，比如合格還是不合格。

你查看一下因變量的設置，就會明白。

再有問題，可以把數據給我，幫您查看一下。更多追問追答追問怎麼改？追答就是把因變量改成二分類變量，只有兩個結果的，如0和1,0代表不合格，1代表合格。追問不好意思，能不能過幾天我把那個數據發給您，你幫忙看看追答當然可以。

求助：spss有缺失值時如何忽略缺失值計算均值

直接默認忽略缺失值 spssau裏面是這樣處理的 如果有缺失值直接分析的時候把該行忽略掉

spss 怎麼設置缺失值?

最低0.27元/天開通百度文庫會員，可在文庫查看完整內容>

原發布者:憤怒的小燕

spss數據錄入時缺失值怎麼處理錄入的時候可以直接省略不錄入分析的時候也一般剔除這樣的樣本。但也有替換的方法，一般有：均值替換法(meanimputation)，即用其他個案中該變量觀測值的平均數對缺失的數據進行替換，但這種方法會產生有偏估計，所以並不被推崇。個別替換法(singleimputation)通常也被叫做迴歸替換法(regressionimputation)，在該個案的其他變量值都是通過迴歸估計得到的情況下，這種方法用缺失數據的條件期望值對它進行替換。這雖然是一個無偏估計，但是卻傾向於低估標準差和其他未知性質的測量值，而且這一問e799bee5baa6e4b893e5b19e31333433623764題會隨着缺失信息的增多而變得更加嚴重。多重替代法(multipleimputation)(Rubin,1977)。ƒ它從相似情況中或根據後來在可觀測的數據上得到的缺省數據的分佈情況給每個缺省數據賦予一個模擬值。結合這種方法，研究者可以比較容易地，在不捨棄任何數據的情況下對缺失數據的未知性質進行推斷(LittleandRubin,1987;ubin,1987,1996)。（一）個案剔除法(ListwiseDeletion)　　最常見、最簡單的處理缺失數據的方法是用個案剔除法(listwisedeletion)，也是很多統計軟件（如SPSS和SAS）默認的缺失值處理方法。在這種方法中如果任何一個變量含有缺失數據的話，就把相對應的個案從分析中剔除。如果缺失值所佔比例比較小的話，這一方法十分有效。至於具體多大的缺失比例算是“小”比例，專家們意見也存在較大的差距。有學者認為應在5%以下，也有學者認為20%以下即可。

缺失值怎麼處理

最低0.27元/天開通百度文庫會員，可在文庫查看完整內容>

原發布者:mjfan

關於數據缺失問題的總結造成數據缺失的原因      在各種實用的數據庫中，屬性e79fa5e9819331333433623763值缺失的情況經常發全甚至是不可避免的。因此，在大多數情況下，信息系統是不完備的，或者説存在某種程度的不完備。造成數據缺失的原因是多方面的，主要可能有以下幾種：       1）有些信息暫時無法獲取。例如在醫療數據庫中，並非所有病人的所有臨牀檢驗結果都能在給定的時間內得到，就致使一部分屬性值空缺出來。又如在申請表數據中，對某些問題的反映依賴於對其他問題的回答。      2）有些信息是被遺漏的。可能是因為輸入時認為不重要、忘記填寫了或對數據理解錯誤而遺漏，也可能是由於數據採集設備的故障、存儲介質的故障、傳輸媒體的故障、一些人為因素等原因而丟失了。      3）有些對象的某個或某些屬性是不可用的。也就是説，對於這個對象來説，該屬性值是不存在的，如一個未婚者的配偶姓名、一個兒童的固定收入狀況等。      4）有些信息（被認為）是不重要的。如一個屬性的取值與給定語境是無關的，或訓練數據庫的設計者並不在乎某個屬性的取值（稱為dont-carevalue）[37]。     5）獲取這些信息的代價太大。     6）系統實時性能要求較高，即要求得到這些信息前迅速做出判斷或決策。2.2.2數據缺失機制在對缺失數據進行處理前，瞭解數據缺失的機制和形式是十分必要的。將數據集中不含缺失值的變量（屬性）稱為完全變量，數據集中含有缺失值的變量稱為不完全

spss缺失值處理裏面，用EM的時候。

應該是指變量的先驗分佈吧，也就是假設復原本的變量所服從的分佈。通過指定先驗分佈的參數從而獲得隱藏變量制也就是缺失值百的條件分佈，然後通過E步和M步進行迭代從而獲得缺失值度的估計值

應該不是指填補後的分佈，因為迭代的話就是單純通過使知E步條件分佈的期望最大化而估計缺失值，至於迭代後變道量是什麼分佈，是不會事先指定好的