在使用SPSS对调查的数据资料进行统计分析时，经常会遇到缺失值的问题。如果数据资料中存在缺失值，很可能会影响数据统计结果的正确性，降低数据统计计算的精度，所以一般遇到缺失值都需要对缺失值进行填补处理。为了让小伙伴们更好的理解缺失值，接下来本文将和大家详细讲解，SPSS缺失值填补原理，SPSS缺失值填补的原则。

一、SPSS缺失值填补原理

SPSS缺失值填补原理有均值填补、同类均值填补、极大似然估计填补以及多重填补原理，下面就给大家详细介绍一下。

(资料图片)

1.均值填补

均值填补的原理是使用平均值填充缺失值。如果缺失值属于定距型数据（有距离和顺序属性的数据称为定距型数据），就用数据平均值来填补缺失值。

2.同类均值填补

同类均值填补的原理是通过聚类模型预测，并对缺失值数据进行平均值计算，使用估算的平均值填充缺失值。需要注意的是如果后续想要对变量和具有缺失值的变量进行分析，此种方法可能会导致分析的结果不准确。

3.极大似然估计填补

极大似然估计填补的原理是观察数据规律，预测最有可能的数据填充缺失值。需要注意的是采用极大似然估计填补原理，要保证缺失值是随机缺失的，而且整体的数据资料数据是正确无误的。

4.多重填补

多重填补的原理是观察缺失值变量中的数据，生成一组新的数据集，对缺失值进行随机填补。

了解了SPSS缺失值填补原理，那么在实际数据统计分析中，如果遇到缺失值又该如何处理呢，下面就给大家介绍两种缺失值处理方法。

1.在SPSS数据视图表格中，可以看到“日间温度”和“夜间温度”两个变量，都存在两个缺失值，如下图。

2.在SPSS主界面菜单栏中点击“转换”菜单下的“替换缺失值”选项。

3.在弹出的窗口，将“日间温度”和“夜间温度”变量通过箭头移动到“新变量”框内，方法选择“序列均值”，点击“确定”按钮。

4.完成之后，会在数据视图表格中生成两列数据，可以看到之前缺失的数据，已经被填补上，如下图所示。

以上是较为简单的缺失值填补方法，主要原理是根据平均值对缺失值进行填补，除此方法外，在SPSS中还有很多的缺失值填补方法，小伙伴们可以去SPSS中文官网下载软件亲自去体验。

二、SPSS缺失值填补的原则

SPSS缺失值数据可以分为三类，随机缺失、完全随机缺失以及非随机缺失。随机缺失和完全随机缺失的缺失值基本没有什么规律，但非随机缺失的缺失值很有可能有规律，下面就和大家讲解一下这三种缺失值的填补原则。

1.随机缺失

随机缺失的缺失值可以使用填补或者插补的方法，明白这一原则可以使用的缺失自填补或者插补方法就很多了，比如均值填补方法、同类均值填补方法以及多重填补方法等。

2.完全随机缺失

完全随机缺失的缺失值与可观察和非可观察数据没有任何逻辑上的联系，也就说数据只是单纯的丢失了，可以通过观察整体数据的观测值对缺失值进行分析。

3.非随机缺失

非随机缺失的缺失值是不可以通过缺失值填补方法进行处理的，因为很可能会导致整体数据统计分析结果出现错误，比如在问卷调查中，调查工资收入，收入低的人可能就会拒绝回答，这时候如果用均值填补或者其他填补方法，都会导致最终的调查结果不准确。

由此在使用SPSS进行缺失值填补的时候，要根据不同的缺失值分类以及缺失值填补原则，选择合适的缺失值处理方法。