SPSS中处理缺失值的方法有哪些？

本文共计1001个文字，预计阅读时间需要5分钟。

SPSS缺失值填补方法有：1. 均值填补，用应属性的众数来填补缺失值；2. 同类均值填补；3. 极端自然估计，通过观测数据的边缘分布对未知参数进行极端自然估计；4. 多重填补。

spss缺失值填补方法有：1、均值插补，用该属性的众数来补齐缺失的值；2、利用同类均值插补；3、极大似然估计，通过观测数据的边际分布可以对未知参数进行极大似然估计；4、多重插补，根据某种选择依据，选取最合适的插补值。

本教程操作环境：windows7系统、SPSS 26.0版、Dell G3电脑。

1、均值插补。数据的属性分为定距型和非定距型。如果缺失值是定距型的，就以该属性存在值的平均值来插补缺失的值；如果缺失值是非定距型的，就根据统计学中的众数原理，用该属性的众数(即出现频率最高的值)来补齐缺失的值。

2、利用同类均值插补。同均值插补的方法都属于单值插补，不同的是，它用层次聚类模型预测缺失变量的类型，再以该类型的均值插补。假设X=（X1，X2...Xp）为信息完全的变量，Y为存在缺失值的变量。

那么首先对X或其子集行聚类，然后按缺失个案所属类来插补不同类的均值。如果在以后统计分析中还需以引入的解释变量和Y做分析，那么这种插补方法将在模型中引入自相关，给分析造成障碍。

3、极大似然估计（Max Likelihood ，ML）。在缺失类型为随机缺失的条件下，假设模型对于完整的样本是正确的，那么通过观测数据的边际分布可以对未知参数进行极大似然估计（Little and Rubin）。

这种方法也被称为忽略缺失值的极大似然估计，对于极大似然的参数估计实际中常采用的计算方法是期望值最大化(Expectation Maximization，EM）。