eviews如何处理缺失数据填补_手把手教你处理数据中的缺失值

作者：Leopold d’Avezac

翻译：廖倩颖

校对：杨毅远

本文长度为1900字，建议阅读8分钟

本文为大家介绍了数据缺失的原因以及缺失值的类型，最后列举了每一种缺失值类型的处理方法以及优缺点。

标签：离群数据 填充

不论是机器学习模型，KPI或者报告，缺失值和它们的替代值都会导致你的分析结果出现巨大错误。通常分析人员只用一种方式处理缺失值。但事实并非如此，下面我们会介绍三种类型的缺失值以及其对应的解决方法。

空值(null)的类型

随机遗失(MAR)：在变量中空值的出现并非随机，而是取决于记录中已知或者是未知的特征。那么你可能会问自己，为什么其被称为随机遗失呢？这是因为空值与其实际值无关。这取决于你的数据集是否能被测试。为了找出替代值，你应该比较其他变量的分布，以获取具有缺失值和非缺失值的记录。

比如：一个关于教育的数据集缺失了很多小孩的IQ测试分数，只是因为相比十二岁的孩子，四岁的孩子很少会通过这个测试。所以出现的空值与IQ实际值没有相关性，而与年龄相关。

完全随机缺失(MCAR):空值的出现与记录中已知或者未知特征是完全无关的。再次重申ÿ