SPSS缺失值分析.ppt

IBM-SPSS 第11章 缺失值分析 背景 在资料收集过程中，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。 因此，缺失值分析是数据处理工作中常见的问题之一，如果处理不当，会导致部分分析过程简单地从分析中丢弃这些有缺失的个案；也可能会使分析结果精度降低,出现偏倚甚至是错误的结论； 另外，很多统计过程背后的假设都基于完整的个案，而缺失值可能使所需的理论复杂化，部分分析过程无法完成。 缺失值分析有助于解决由不完整的数据造成的若干问题，尽可能全面、有效地利用整个数据库。 分类 按照数据缺失形式分 ①单元缺失：指针对需调查的个案进行调查而没有得到个案信息。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。 分类 按照缺失机制与方式分 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，与自身或其他变量的取值无关。 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，不依赖未观察到的结果。MAR是最常见的缺失机制。 ③ 非随机缺失（Missing Not at Radom，MN