基于R语言地缺失值填补方法.PDF

方法应用 基于R语言的缺失值填补方法 李 璐 （暨南大学 统计学系，广州 510632） 摘 要：数据缺失是一个在实验研究和调查研究中经常遇到的问题。文章先介绍了数据缺失机制的四种 形式，指出解决数据缺失的一般性方法，即可以通过尽量引入更多的相关变量从而简化缺失机制；然后利用R 语言对2006 年中国健康与营养调查的部分数据进行了填补，介绍了各种填补方法在R 中的应用，并在介绍热平 台方法时提出运用R 寻找匹配样本的新思路。 关键词：R 语言；缺失值；填补方法；缺失机制 中图分类号：C821 文献标识码：A 文章编号：1002-6487（2012）17-0072-03 概率不仅与已观测变量有关，可能还与未观测到的变量有 0 引言 关。 （4）基于缺失值本身的缺失，指缺失的概率依赖于缺 我们在得到一份数据文件时常常会发现文件中存在 失值本身，一般可以认为生存分析中的删失数据属于这类 一些缺失的数据，而缺失数据会对分析任务产生阻碍，造 缺失机制，本文暂不考虑这类缺失。 成结果的偏倚及统计工作的低效率。在社会经济调查领 知道了数据的缺失机制后，便能对数据进行初步处 域，这些缺失数据的来源是多方面的，包括失访、无回答、 理。对于完全随机缺失的数据，简单地删除并不会对结果 录入错误、问题回答不合格等等。对于这部分缺失数据的 造成偏倚。对于随机缺失的数据，也是易于处理的，可以 处理将对分析结果造成一定影响，而现实情况是分析数据 通过建立缺失变量与影响缺失概率的变量之间的回归模 者往往对于缺失数据的处理方法没有相应地专业知识，因 型进行预测。而对于基于未观测变量的缺失，以及基于缺 此轻易对缺失数据进行删除或简单的填补，而没有考虑到 失值本身的缺失这两种缺失机制，则要复杂得多，原因是 更深层的因素。本文拟在介绍数据缺失机制及相关理论 我们既然无法观测到相关变量的值，也就无法判断它们之 的基础上，以2006年中国健康与营养调查的部分数据为 间的内在关系。解决这个问题的一个方法是尽量将所有 例，介绍各种填补方法在R语言中的应用，并在介绍热平 类别的缺失机制都简化到随机缺失这一类缺失机制。由 台方法时提出运用R寻找匹配样本的新思路。 于完全随机缺失是少见的，并且将完全随机缺失作为随机 缺失考虑依然不影响结果的偏倚性。而将基于未观测变 1 缺失数据的理论知识 量的缺失简化为随机缺失的想法是可以将尽量多的变量 作为相关变量加入到模型中，这些变量可能与未观测到的 1.1 数据缺失机制 相关变量存在相关关系，可以将其看作是工具变量。因 处理缺失数据前，首先应该了解数据缺失的原因，也 此，本文所使用的方法就有了理论基础。 [1] 就是缺失机制 。缺失机制是指缺失变量与分析变量的关 1.2 缺失数据的处理方法 系，了解数据缺失的原因，有利于选择合适的处理方法对 1.2.1 删除法 数据进行处理。一般情况下，缺失机制可以分为以下四种 解决缺失数据问题的一个简单易行的方法是删除部 [2] 类型 ： 分数据，使之成为完整数据进行分析，而这些程序在