spss缺失值分析步骤 spss缺失值分析结果怎么看

在数据调查过程中，工作人员常常会遇到数据缺失现象。数据缺失分为三类，随机缺失，完全随机缺失，非随机缺失。无论哪种缺失，都可能导致严重的问题，或者大大降低统计的精度。利用IBM SPSS Statistics可以对数据缺失值进行分析，关于SPSS缺失值分析步骤是怎样的，SPSS缺失值分析结果怎么看的问题？本文结合实例，为大家做简单介绍。

一、SPSS缺失值分析步骤

由于非随机缺失值所在变量与自身取值有关（例如，高收入群体往往不愿意透露收入水平），或者与其他变量有关（例如，年龄项目缺失值可能与性别有关，因为很多女性不愿透露年龄），所以非随机缺失值难以进行估计分析。因此缺失值分析一般针对随机缺失和完全随机缺失类型。

图1是某个群体男性身高体重统计表，我们以此为例，使用SPSS进行缺失值分析。

图1 部分数据缺失的数据表

点击【分析】，【缺失值分析】，弹出图2所示的对话框，将“身高”和“体重”指定为“定量变量”，勾选“EM”。

图2 进入缺失值分析界面

点击【模式】，勾选“个案表（按缺失值模式分组）”，将“变量-以下对象的缺失模式”指定为“以下对象的附加信息”，如图3所示，点击继续。

图3 启用显示个案表

点击【描述】，勾选“单变量统计”，“使用由指示符变量构成的组执行t检验”，“生成分类变量和指示符变量的交叉表”，点击继续。点击确定即可。

图4 输出描述统计结果

以上就是SPSS缺失值分析的基本步骤，EM方法分析结果是怎样的？如何进行解读？我们在第二小节中向大家介绍。

二、SPSS缺失值分析结果怎么看

首先查看独立方差t检验，身高存在时，体重均值为67.588，身高缺失时，体重均值为62.000，体重存在时，身高均值为170.627，体重缺失时，体重均值为168.067，粗略来看，身高和体重未相互影响，提示两者为完全独立变量，但此时不能完全确定，还要结合EM相关性检验结果。

图5 独立方差t检验结果

继续查看EM相关性表格，利特尔MCAR检验，其卡方值为4.332，显著性为0.115，大于0.05，此时认为缺失值为完全随机缺失类型，如果小于0.05，提示数据缺失为随机缺失类型。

图6 EM相关性结果表

SPSS缺失值分析步骤是怎样的，需要用户在分析功能中找到缺失值分析功能，按第一小节步骤操作即可。SPSS缺失值分析结果怎么看，我们需要关注EM相关性结果，利特尔MCAR检验结果显著性大于0.05，提示缺失变量为完全随机缺失类型，小于0.05，提示变量为随机缺失类型。