SPSS缺失值得分析处理
在资料收集的过程中,由于各种原因可能导致数据收集不全,就会产生缺失值,且这种情况往往无法避免。如果缺失值处理不当,就会导致分析结果精度降低,出现偏倚甚至是错误的理论,因此缺失值的分析显得尤为重要。数据的缺失经常会存在着一定的规律,为了认识和研究缺失数据,按照数据缺失形式,我们常将其分为单元缺失与项目缺失两种。
(1)单元缺失:只针对需调查的个案进行调查而没有得到个案信息。如对整个班级进行调查,发放60分调查表,部分调查对象未交回调查表导致的资料缺失。这种缺失在数据分析阶段常常无能为力。
(2)项目缺失:指在调查内容中某些变量的观测结果有缺失。如对整个班级进行调查后,收回的调查表中,部分女生因为“保密”而未填写体重一项,造成资料缺失。
无论缺失数据的形式是单元缺失还是项目缺失,从缺失机制与方式上又可将其分为完全随机缺失、随机缺失与非随机缺失。
(1)完全随机缺失(Missing Completely at
Random,MCAR)指已评价的结果或即将要进行的评价结果中,研究对象的缺失率是独立的。即缺失现象完全随机发生,与自身或其他变量取值无关。如调查进行中,因被调查对象接到电话,或紧急事件马上离开,调查无完成导致缺失。
(2)随机缺失(Missing at
Random,MAR)指缺失数据的发生与数据库中其他无缺失变量的取值有关。某一观察值缺失的概率仅依赖已有的观察结果。比如,研究某新药对高血压患者的疗效,但一些血压过高的患者,根据纳入标准予以排除。MAR是最常见的缺失机制。
(3)非随机缺失(MIssing Not at
Random,MNAR)指数据的缺失不仅与其他变量的取值有关,缺失率与缺失数据有关,也和自身有关。这种缺失大都不是偶然因素所造成的,常常是不可忽略的,比如在调查收入时,收入高的人出于各种原因不愿意提供家庭年收入值。对于MNAR此种缺失机制,目前尚无特别有效的方法能进行处理。
识别缺失数据的产生机制是极其重要的,首先这涉及到代表性问题,从统计上说,非随机缺失的数据会产生偏估计,因此不能很好地代表总体。其次,它决定数据插补方法的选择。随机缺失数据处理相对比较简单,但非随机缺失数据处理比较困难,原因在于偏差的程度难以把握。
面对不同的数据缺失情况,那我们该如何处理呢?大致上我们把处理方法归为以下几类。
1、删除缺失值
最常见、最简单的处理缺失数据的方法,使用这种方法时,如果任何个案在某一变量含有缺失数据的话,就把相对应的个案从分析中剔除。如果缺失值所占比例较小
的话,这一方法十分有效。然而,这种方法却有很大的局限性,它是以减少样本量来换取信息的完备,会造成资源的大量浪费,丢弃了大量隐藏在这些对象中的信息。
2、缺失值代替
即“转换”选项卡中“替换缺失值”菜单过程。此过程将所有的记录看成一个序列,然后采用某种指标对缺失值进行填充,它实际上专门用于解决时间序列模型中的缺失值问题。虽然其中的一些填充方法也可以用于普通数据,但相比之下,如果在序列数据中使用该过程可能得不偿失,应当谨慎使用。常用的填充方式由算术均数、缺失值邻近点的算术均数、中位数以及线性插入等。
3、缺失值分析
此过程是SPSS专门针对缺失值分析而提供的模块,他提供了对缺失值问题全面而强大的分析能力,主要功能有以下3种:
(1)缺失值的描述和快速诊断:用灵活的诊断报告来评估缺失值问题的严重性,用户可以观察到它们在哪些变量中出现,比例为多少,是否与其他变量取值有关,从而得知这些缺失值出现是否会影响分析结论。
(2)得到更精确的统计量:提供了多种方法用于估计含缺失值数据的均值、相关矩阵或协方差矩阵,通过这些方法计算出的统计量将更加可靠。
(3)用估计值替换缺失值:使用EM或回归法,用户可以从未缺失数据的分布情况中推算出缺失数据的估计值,从而能有效地使用所有数据进行分析,来提高统计结果的可信度。
在前述的3种缺失机制中,非随机缺失很难得到有效的统计学处理,SPSS的缺失值分析模块主要是对MCAR和MAR的情形进行分析,尤其是后者。数据分析培训
SPSS缺失值得分析处理的更多相关文章
- SPSS数据分析—信度分析
测量最常用的是使用问卷调查.信度分析主要就是分析问卷测量结果的稳定性,如果多次重复测量的结果都很接近,就可以认为测量的信度是高的.与信度相对应的概念是效度,效度是指测量值和真实值的接近程度.二者的区别 ...
- C++中几个值得分析的小问题(2)
下面有3个小问题,作为C++ Beginner你一定要知道错在哪里了. 1.派生类到基类的引用或指针转换一定“完美”存在? 一般情况,你很可能会认为:派生类对象的引用或指针转换为基类对象的引用或指针是 ...
- C++中几个值得分析的小问题(1)
下面3个小问题都是我认为C++ Beginner应该能够解答或辨别清楚的.希望我们能通过题目挖掘更多的信息,而不仅仅局限在解题.我最喜欢说的话:能力有限,所以作为抛砖引玉,希望共同讨论,指出错误. 另 ...
- 如何用SPSS做联合分析
如何用SPSS做联合分析 如果产品的描述是由几个属性特征决定的,比如说mp3的音质.外形.容量.价格等等,商家为了确定哪个属性对消费者的影响最大,以及预测什么样的属性组合最受消费者的欢迎,选择的办法应 ...
- SPSS数据分析—生存分析
生存分析是对生存时间进行统计分析的一种技术,所谓生存时间,就是指从某一时间点起到所关心的事件发生的这段时间.这里的时间不一定就是钟表日历上的时间,也有可能是其他的度量单位,比如长度单位等. 生存时间有 ...
- Spss统计描述分析
总觉得有些技能学会了是不会忘的,但是还是要记录一下,怕记忆力不像狗皮膏药,并不那么牢固. 1.文件的合并 两个数据文件的合并 点击添加个案,这一步按照自己的需求选择,也可以打开外部数据集,在这里打开的 ...
- SPSS分析技术:CMH检验(分层卡方检验);辛普森悖论,数据分析的谬误
SPSS分析技术:CMH检验(分层卡方检验):辛普森悖论,数据分析的谬误 只涉及两个分类变量的卡方检验有些时候是很局限的,因为混杂因素总是存在,如果不考虑混杂因素,得出的分析结论很可能是谬误的,这就是 ...
- SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类
https://www.zhihu.com/topic/19582125/top-answershttps://wenku.baidu.com/search?word=spss&ie=utf- ...
- 药店商品销量分析(python)
一.数据分析的步骤 二.提出问题 分析药店商品销售情况 1)月均消费次数 2)月均消费金额 3)客单价 4)消费趋势 5)热销商品.滞销商品 三.理解数据 销售数据源为excel文件 字段的含义: 共 ...
随机推荐
- Ubuntu下终端命令安装sublime
Ubuntu下终端命令安装sublime出现软件包无法定位 sublime-text-install 且多次换源不成功 建议采用离线安装 安装教程如下 用Ubuntu上的浏览器下载一个 Sublime ...
- ROS - 日志
1.日志级别 日志消息分为五个不同的严重级别宏,与Android的Log定义的严重级别类似,如下基础宏: ROS_DEBUG_STREAM.ROS_INFO_STREAM.ROS_WARN_STREA ...
- (转)Linux C 多线程编程----互斥锁与条件变量
转:http://blog.csdn.net/xing_hao/article/details/6626223 一.互斥锁 互斥量从本质上说就是一把锁, 提供对共享资源的保护访问. 1. 初始化: 在 ...
- go语言将函数作为参数传递
Go语言函数作为参数传递,目前给我的感觉几乎和C/C++一致.非常的灵活. import "fmt" import "time" func goFunc1(f ...
- Django Shell 如何对数据库进行测试
Django 如何对数据库进行测试 Python manager.py shell Import django django.setup() from my_app.models import * 开 ...
- 如何解决Unsupported major.minor version 52.0问题?
为什么出现Unsupported major.minor version 52.0? You get this error because a Java 7 VM tries to load a cl ...
- 一文看懂SATA和NVMe固态硬盘用起来有何区别?
本文摘自:https://www.sohu.com/a/203688929_615464 NVMe固态硬盘正在逐步扩张,而包括三星.东芝在内的大厂并没有停止SATA固态硬盘新品的研发.到底那种固态硬盘 ...
- Navicat for MySQL使用手记
摘要 在管理MySQL数据库的图形化工具中,最为熟知的就是phpMyAdmin和Mysql-Front了,今天跟大家分享另外一个管理mysql数据库的另外一个利器---Navicat MySQL. N ...
- CSS3:FlexBox的详解
Flexbox是Flexible box 的简称(灵活的盒子容器),是CSS3引入的新的布局模式.它决定了元素如何在页面上排列,使它们能在不同的屏幕尺寸和设备下可预测地展现出来. 它之所以被称为 Fl ...
- 6个步骤,全方位掌握 Kafka
毋庸置疑,目前 Apache Kafka 是整个消息引擎领域的执牛耳者,也是大数据生态圈中颇为重量级的一员. 从最早诞生于 LinkedIn 的"分布式消息系统",到现在集成了分发 ...