SPSS缺失值：缺失值分析

一、缺失值：

具有缺失值的個案會引發(fā)嚴重的問題，因為典型的建模過程會簡單地從分析中丟棄這些個案。如果存在少量缺失值（大約低于個案總數(shù)的5%），且這些值可以被認為隨機缺失，即值的缺失不依賴于其他值，則列表刪除的典型方法相對比較“安全”?！?a href='/map/queshizhi/' style='color:#000;font-size:inherit;'>缺失值”選項可以幫助確定列表刪除是否足夠，并在必要時提供其他缺失值處理方法。

1、多重插補：過程提供了缺失數(shù)據(jù)模式分析，著眼于最終對缺失值進行多重插補。這意味著會產(chǎn)生多個版本的數(shù)據(jù)集，它們分別包含各自的插補值集。在執(zhí)行統(tǒng)計分析時，匯集了針對所有插補數(shù)據(jù)集的參數(shù)估計，因此提供的估計結(jié)果通常比單個插補更為準確。

2、缺失值分析：提供了略微不同的描述性工具集，用以分析缺失數(shù)據(jù)（尤其是Little’sMCAR檢驗），并包括多種單一插補方法。注意，多重插補通常被認為優(yōu)于單一插補。

二、缺失值分析（分析-缺失值分析）

缺失值分析有助于解決由不完整的數(shù)據(jù)造成的若干問題。如果帶有缺失值的個案與不帶缺失值的個案有著根本的不同，則結(jié)果將被誤導(dǎo)。此外，缺失的數(shù)據(jù)還可能降低所計算的統(tǒng)計量的精度，因為計算時的信息比原計劃的信息要少。另一個問題是，很多統(tǒng)計過程背后的假設(shè)都基于完整的個案，而缺失值可能使所需的理論復(fù)雜化。

1、示例。在評估白血病治療方式時，將測量幾個變量。但是，并不是針對每個患者都進行所有的測量。缺失數(shù)據(jù)的模式以表格形式顯示出來，表現(xiàn)為隨機的。EM分析用于估計均值、相關(guān)性和協(xié)方差。它還用來確定數(shù)據(jù)正在隨機完全缺失。缺失值然后將由歸因值替換，并保存到新的數(shù)據(jù)文件中以供進一步分析。

2、統(tǒng)計量。單變量統(tǒng)計量，包括非缺失值個數(shù)、均值、標準差、缺失值個數(shù)以及極值個數(shù)。使用列表法、成對法、EM法或回歸法的估計均值、協(xié)方差矩陣以及相關(guān)性矩陣。對EM結(jié)果進行的Little的MCAR檢驗。按各種方法進行的均值總計。對于按缺失和非缺失值定義的組：t檢驗。對于所有變量：按個案與變量顯示的缺失值模式。

3、數(shù)據(jù)。數(shù)據(jù)可以是分類數(shù)據(jù)或定量數(shù)據(jù)（刻度或連續(xù)）。盡管如此，您只能為定量變量估計統(tǒng)計數(shù)據(jù)并插補缺失數(shù)據(jù)。對于每個變量，必須將未編碼為系統(tǒng)缺失值的缺失值定義為用戶缺失值。例如，如果將對問卷項的回答不知道編碼為5，并且您希望將其視為缺失，則對于此項應(yīng)將5編碼為用戶缺失值。

4、頻率權(quán)重。此過程接受頻率（復(fù)制）權(quán)重。忽略復(fù)制權(quán)重為負值或零值的個案。非整數(shù)權(quán)重被截斷。

5、假設(shè)。列表法、成對法和回歸法估計都基于這樣的假設(shè)：缺失值的模式不依賴于數(shù)據(jù)值。（此條件又稱為完全隨機缺失，即MCAR。）因此，當數(shù)據(jù)為MCAR時，所有估計方法（包括EM法）提供相關(guān)性和協(xié)方差的一致無偏估計。違反MCAR假設(shè)可能導(dǎo)致由列表法、成對法和回歸法生成的有偏差的估計。如果數(shù)據(jù)不是MCAR，則您需要使用EM估計。

6、相關(guān)過程。很多過程都允許您使用列表或成對估計?！?a href='/map/xianxinghuigui/' style='color:#000;font-size:inherit;'>線性回歸和因子分析”允許用均值替換缺失值。預(yù)測附加模塊提供了幾種方法，可用于按時間序列替換缺失值。

二、估計統(tǒng)計量與插補缺失值（分析-缺失值分析）

您可以使用列表法（僅限完整個案）、成對法、EM（期望最大化）法和/或回歸法選擇估計均值、標準差、協(xié)方差和相關(guān)性。您還可以選擇插補缺失值（估計替換值）。注意，在解決缺失值問題方面，多重插補通常被認為優(yōu)于單一插補。Little’s MCAR檢驗對于確定是否需要進行插補方面仍然有效。

1、列表法：此方法僅使用完整個案。一旦任何分析變量具有缺失值，計算中將忽略該個案。

2、成對法：此方法參見分析變量對，并只有當其在兩種變量中都具有非缺失值時才使用個案。頻率、均值以及標準差是針對每對分別計算的。由于忽略個案中的其它缺失值，兩個變量的相關(guān)性與協(xié)方差不取決于任何其它變量的缺失值。

3、EM法：此方法假設(shè)一個部分缺失數(shù)據(jù)的分布并基于此分布下的可能性進行推論。每個迭代都包括一個E步驟和一個M步驟。在給定觀察值和當前參數(shù)估計值的前提下，E步驟查找“缺失”數(shù)據(jù)的條件期望值。這些期望值將替換“缺失”數(shù)據(jù)。在M步驟中，即使填寫了缺失數(shù)據(jù)，也將計算參數(shù)的最大似然估計值?！叭笔А卑谝栔?，因為缺失值不是直接填寫的。而其函數(shù)用于對數(shù)似然。

用于檢驗值是否完全隨機丟失（MCAR）的Roderick J. A. Little卡方統(tǒng)計量作為EM矩陣的腳注印刷。對于此檢驗，原假設(shè)就是數(shù)據(jù)完全隨機缺失且0.05水平的p值顯著。若值小于0.05，則數(shù)據(jù)將不會完全隨機缺失。數(shù)據(jù)可能隨機缺失（MAR）或不隨機缺失（NMAR）。您無法假設(shè)一個或其它數(shù)據(jù)缺失，而是需要分析數(shù)據(jù)以確定數(shù)據(jù)是如何缺失的。