一、缺失值:
具有缺失值的个案会引发严重的问题,因为典型的建模过程会简单地从分析中丢弃这些个案。如果存在少量缺失值(大约低于个案总数的5%),且这些值可以被认为随机缺失,即值的缺失不依赖于其他值,则列表删除的典型方法相对比较“安全”。“缺失值”选项可以帮助确定列表删除是否足够,并在必要时提供其他缺失值处理方法。
1、多重插补:过程提供了缺失数据模式分析,着眼于最终对缺失值进行多重插补。这意味着会产生多个版本的数据集,它们分别包含各自的插补值集。在执行统计分析时,汇集了针对所有插补数据集的参数估计,因此提供的估计结果通常比单个插补更为准确。
2、缺失值分析:提供了略微不同的描述性工具集,用以分析缺失数据(尤其是Little’sMCAR检验),并包括多种单一插补方法。注意,多重插补通常被认为优于单一插补。
二、缺失值分析(分析-缺失值分析)
缺失值分析有助于解决由不完整的数据造成的若干问题。如果带有缺失值的个案与不带缺失值的个案有着根本的不同,则结果将被误导。此外,缺失的数据还可能降低所计算的统计量的精度,因为计算时的信息比原计划的信息要少。另一个问题是,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。
1、示例。在评估白血病治疗方式时,将测量几个变量。但是,并不是针对每个患者都进行所有的测量。缺失数据的模式以表格形式显示出来,表现为随机的。EM分析用于估计均值、相关性和协方差。它还用来确定数据正在随机完全缺失。缺失值然后将由归因值替换,并保存到新的数据文件中以供进一步分析。
2、统计量。单变量统计量,包括非缺失值个数、