SPSS学习系列09.缺失值处理

09. 缺失值处理

空缺值（用“.”表示）和输入错误值，都属于缺失值范畴。

输入错误值需要做“数据检验”来发现：

（1）【分析】——【描述统计】——【描述】和【频率】

（2）【图形】——【旧对话框】——【箱图】

观察极小、极大值、频率、异常值等来判断。例如，性别“男=1，女=2”，若极大值出现3，则是输入错误值；箱线图或3σ原则发现的异常值，则要先改成缺失值。

缺失值的处理方法通常有四种。

一、删除有缺失值的个案

删除有缺失值的个案，或在具体统计分析时的【选项】——【缺失值】框选择某种处理方法：

①按列表排除个案——只要任何一个变量含有缺失值，就要剔除出所有因变量或分组变量中有缺失值的观测记录；

②按对排除个案——同时剔除带缺失值的观测量及与缺失值有成对关系的观测量（对照分析）；

③使用均值替换——使用该变量的均值替换缺失值。

二、替换缺失值

SPSS提供了5种简单替换缺失值的方法：

（1）序列均值——该变量的有效观察值的平均数；

（2）临近点的均值——该缺失值前后n个观察值的平均数；

（3）临近点的中位数——该缺失值前后n个观察值的中位数；

（4）线性插值——该缺失值前后观察值建立插值直线确定【同取n=1的（2）】；

（5）点处的线性趋势——以编号为自变量用线性回归法预测值。

现有数据文件：

1.【转换】——【替换缺失值】，打开“替换缺失值”窗口，将变量“统计成绩”选入【新变量】框；

2.【名称和方法】框，设定新变量名称“统计成绩_1”，方法选“序列均值”

3.点【确定】，得到

注意：若某个案的缺失值较多最好删除该个案，而不是替换其缺失值。

三、缺失值分析

SPSS中更高级的处理缺失值的方法是缺失值分析，它能够

（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，比例是多少，是否与其它变量取值有关，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。

【缺失值分析】实例操作，使用SPSS 20自带的实例文件：

telco_missing.sav

1.【分析】——【缺失值分析】，打开“缺失值分析”窗口，将变量“婚姻状况、教育程度、退休、性别”选入【分类变量】，将变量“服务月数、年龄、现在住址居住年数、家庭收入、现职位工作年数、家庭人数”选入【定量变量】

注意：最大类别（最大分类数）默认为25，超过该数目的分类变量将不引入分析。

2. 点【描述】，打开“描述统计”子窗口，用来设置要显示的缺失值描述统计量。

勾选“单变量统计量”，勾选【指示变量统计量】框的“使用有指示变量形成的分组进行的t检验”和“为分类变量和指示变量生成交叉表”，点【继续】

3. 点【模式】，打开“模式”子窗口，用来设置显示输出表格中的缺失数据模式和范围。

勾选“按照缺失值模式分组的表格个案”；

因为“教育程度”、“退休”和“性别”中的缺失模式似乎影响数据，“家庭收入”含有大量缺失值，将这些变量选入【附加信息】；

其它保持默认，点【继续】

4. 回到原窗口，勾选【估计】框中的“EM”和“回归”，其它默认设置。点击【EM】或【回归】按钮可以修改其设置

注意：若要保存替换缺失值之后的数据，需要勾选“保存完成数据”：创建新数据集并命名，或写入新数据文件。

另外，默认使用所有变量进行分析，若要选择部分变量，可点【变量】按钮修改。

点【确定】，得到输出结果：

提供了数据的一般特征，给出了所有分析变量缺失数据的频数、百分比，定量变量的均值、标准差、极值数目。

income（家庭收入）有最多具有缺失值（17.9%），也有最多的极值；而age（年龄）有最少缺失值（5%）。

估计均值摘要

tenure age address income employ reside 所有值35.56 41.75 11.47 71.1462 11.00 2.32

EM 36.12 41.91 11.58 77.3941 11.22 2.29

回归35.77 41.68 11.59 74.3174 10.99 2.32

使用EM法和回归法进行缺失值的估计和替换后，总体数据的均值和标准差的变化情况，其中“所有值”为原始数据特征，另两行分别是采用EM法、回归法得到的统计参数。

单个方差t 检验a

tenure age address income employ reside

address t .4 .3 . 3.5 1.4 1.0 df 202.2 192.5 . 313.6 191.1 199.5 # 存在819 832 850 693 766 824

# 缺失149 143 0 128 138 142 均值（存在）35.68 41.79 11.47 74.0779 11.20 2.34 均值（缺失）34.91 41.49 . 55.2734 9.86 2.21

income t -5.0 -8.3 -3.9 . -5.9 3.6 df 249.5 222.8 191.1 . 203.3 315.2 # 存在793 801 693 821 741 792 # 缺失175 174 157 0 163 174 均值（存在）33.93 40.01 10.67 71.1462 9.91 2.39 均值（缺失）42.97 49.73 14.97 . 15.93 2.02

employ t -1.0 -.4 -.7 .5 . -.3 df 110.5 110.2 97.6 114.9 . 110.9 # 存在877 881 766 741 904 874 # 缺失91 94 84 80 0 92 均值（存在）35.34 41.69 11.37 71.4953 11.00 2.31 均值（缺失）37.70 42.27 12.32 67.9125 . 2.37

marital t .0 1.8 1.2 -.8 .9 -2.2 df 148.1 149.5 138.8 121.2 128.3 134.2 # 存在856 862 748 728 805 857 # 缺失112 113 102 93 99 109 均值（存在）35.56 42.00 11.61 70.3887 11.10 2.28 均值（缺失）35.57 39.85 10.43 77.0753 10.17 2.61

retire t -.6 -.4 -.4 .3 . .2 df 95.4 94.4 84.0 93.2 . 99.0 # 存在888 893 777 751 904 885 # 缺失80 82 73 70 0 81 均值（存在）35.44 41.70 11.42 71.3356 11.00 2.32 均值（缺失）36.89 42.29 11.96 69.1143 . 2.30

对于每个定量变量，由指示变量（存在，缺失）组成成对的组。

a. 不显示少于5% 个缺失值的指示变量。

通过单个方差t 检验有助于标识缺失值模式可能影响定量变量的变量。按照相应变量是否缺失将全部记录分为两组，再对所有定量变量在这两组间进行t检验。判断数据是否完全随机缺失（表示缺失和变量的取值无关）。

例如，似乎年纪较长的响应者更不可能报告收入水平。当income 缺失时，平均age 为49.73，与之相比，当income 未缺失时为40.01。实际上，income 的缺失似乎影响多个定量（刻度）变量的平均值。