SPSS缺失值：缺失值分析

一、缺失值：

具有缺失值的個(gè)案會(huì)引發(fā)嚴(yán)重的問題，因?yàn)榈湫偷慕＿^程會(huì)簡(jiǎn)單地從分析中丟棄這些個(gè)案。如果存在少量缺失值（大約低于個(gè)案總數(shù)的5%），且這些值可以被認(rèn)為隨機(jī)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(duì)比較“安全”?！?a href='/map/queshizhi/' style='color:#000;font-size:inherit;'>缺失值”選項(xiàng)可以幫助確定列表刪除是否足夠，并在必要時(shí)提供其他缺失值處理方法。

1、多重插補(bǔ)：過程提供了缺失數(shù)據(jù)模式分析，著眼于最終對(duì)缺失值進(jìn)行多重插補(bǔ)。這意味著會(huì)產(chǎn)生多個(gè)版本的數(shù)據(jù)集，它們分別包含各自的插補(bǔ)值集。在執(zhí)行統(tǒng)計(jì)分析時(shí)，匯集了針對(duì)所有插補(bǔ)數(shù)據(jù)集的參數(shù)估計(jì)，因此提供的估計(jì)結(jié)果通常比單個(gè)插補(bǔ)更為準(zhǔn)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(yàn)），并包括多種單一插補(bǔ)方法。注意，多重插補(bǔ)通常被認(rèn)為優(yōu)于單一插補(bǔ)。

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(gè)案與不帶缺失值的個(gè)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(jì)算的統(tǒng)計(jì)量的精度，因?yàn)橛?jì)算時(shí)的信息比原計(jì)劃的信息要少。另一個(gè)問題是，很多統(tǒng)計(jì)過程背后的假設(shè)都基于完整的個(gè)案，而缺失值可能使所需的理論復(fù)雜化。

1、示例。在評(píng)估白血病治療方式時(shí)，將測(cè)量幾個(gè)變量。但是，并不是針對(duì)每個(gè)患者都進(jìn)行所有的測(cè)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(jī)的。EM分析用于估計(jì)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(jī)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(jìn)一步分析。

2、統(tǒng)計(jì)量。單變量統(tǒng)計(jì)量，包括非缺失值個(gè)數(shù)、均值、標(biāo)準(zhǔn)差、缺失值個(gè)數(shù)以及極值個(gè)數(shù)。使用列表法、成對(duì)法、EM法或回歸法的估計(jì)均值、協(xié)方差矩陣以及相關(guān)性矩陣。對(duì)EM結(jié)果進(jìn)行的Little的MCAR檢驗(yàn)。按各種方法進(jìn)行的均值總計(jì)。對(duì)于按缺失和非缺失值定義的組：t檢驗(yàn)。對(duì)于所有變量：按個(gè)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(jì)統(tǒng)計(jì)數(shù)據(jù)并插補(bǔ)缺失數(shù)據(jù)。對(duì)于每個(gè)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(duì)問卷項(xiàng)的回答不知道編碼為5，并且您希望將其視為缺失，則對(duì)于此項(xiàng)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(fù)值或零值的個(gè)案。非整數(shù)權(quán)重被截?cái)唷?

5、假設(shè)。列表法、成對(duì)法和回歸法估計(jì)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(jī)缺失，即MCAR。）因此，當(dāng)數(shù)據(jù)為MCAR時(shí)，所有估計(jì)方法（包括EM法）提供相關(guān)性和協(xié)方差的一致無偏估計(jì)。違反MCAR假設(shè)可能導(dǎo)致由列表法、成對(duì)法和回歸法生成的有偏差的估計(jì)。如果數(shù)據(jù)不是MCAR，則您需要使用EM估計(jì)。

6、相關(guān)過程。很多過程都允許您使用列表或成對(duì)估計(jì)。“線性回歸和因子分析”允許用均值替換缺失值。預(yù)測(cè)附加模塊提供了幾種方法，可用于按時(shí)間序列替換缺失值。

二、估計(jì)統(tǒng)計(jì)量與插補(bǔ)缺失值（分析-缺失值分析）

您可以使用列表法（僅限完整個(gè)案）、成對(duì)法、EM（期望最大化）法和/或回歸法選擇估計(jì)均值、標(biāo)準(zhǔn)差、協(xié)方差和相關(guān)性。您還可以選擇插補(bǔ)缺失值（估計(jì)替換值）。注意，在解決缺失值問題方面，多重插補(bǔ)通常被認(rèn)為優(yōu)于單一插補(bǔ)。Little’s MCAR檢驗(yàn)對(duì)于確定是否需要進(jìn)行插補(bǔ)方面仍然有效。

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

2、成對(duì)法：此方法參見分析變量對(duì)，并只有當(dāng)其在兩種變量中都具有非缺失值時(shí)才使用個(gè)案。頻率、均值以及標(biāo)準(zhǔn)差是針對(duì)每對(duì)分別計(jì)算的。由于忽略個(gè)案中的其它缺失值，兩個(gè)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(gè)部分缺失數(shù)據(jù)的分布并基于此分布下的可能性進(jìn)行推論。每個(gè)迭代都包括一個(gè)E步驟和一個(gè)M步驟。在給定觀察值和當(dāng)前參數(shù)估計(jì)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(jì)算參數(shù)的最大似然估計(jì)值?！叭笔А卑谝?hào)中，因?yàn)?a href='/map/queshizhi/' style='color:#000;font-size:inherit;'>缺失值不是直接填寫的。而其函數(shù)用于對(duì)數(shù)似然。

用于檢驗(yàn)值是否完全隨機(jī)丟失（MCAR）的Roderick J. A. Little卡方統(tǒng)計(jì)量作為EM矩陣的腳注印刷。對(duì)于此檢驗(yàn)，原假設(shè)就是數(shù)據(jù)完全隨機(jī)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(huì)完全隨機(jī)缺失。數(shù)據(jù)可能隨機(jī)缺失（MAR）或不隨機(jī)缺失（NMAR）。您無法假設(shè)一個(gè)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。