遺漏值分析
您可以利用「遺漏值分析」程序，來執行下列三個主要功能：
- 說明遺漏資料的形式。 遺漏值位在何處？ 範圍有多大？ 成對的變數是否易於在多個觀察值中出現遺漏值？ 資料值是否極端？ 遺漏值是否隨機？
- 不同遺漏值方法的估計平均數、標準差、共變數和相關性：完全排除、成對、迴歸或 EM (expectation-maximization)。 其中，成對法會將成對完成觀察值的個數，加以顯示出來。
- 使用迴歸或 EM 方法，以估計值填入（插補）遺漏值；不過，一般認為多重插補可提供更精確的結果。
當資料不完整時，您就可以利用遺漏值分析，來提出因資料不完整，所造成的種種影響。 如果有遺漏值的觀察值在系統上與沒有遺漏值的觀察值不同，則結果可能令人誤解。 再者，如果遺漏資料，可能會因為資訊少於原先計劃，而降低統計量的精確度。 另外還有一個考量就是，許多統計程序的假設基礎，都是建構在完整的觀察值上面的，因此，如果有遺漏值的話，可能就需要使用更複雜的理論。
範例。 在評估血友病的治療結果時，我們會同時評量數個變數。 不過，並非每位患者都可以使用每一種測量。 所以，我們會顯示遺漏值的形式，製成一覽表，並且發現它們是隨機的。 然後再使用 EM 分析功能，來估計平均數、相關和共變異數。 它也用來確定資料是隨機完全遺漏。 或者，也可以用填入值來取代遺漏值，並將之存入新資料檔中，以供進一步分析。
統計資料。 就單變數統計量而言，它包括：非遺漏值個數、平均數、標準差、遺漏值個數，以及極端數值個數。 若使用完全排除、成對、EM 或迴歸等方法，則可得到估計平均數、共變異數矩陣，以及相關性矩陣。 有 EM 結果的 Little's MCAR 檢定。 不同方法的平均數總和。 對於用「遺漏值對非遺漏值」所定義的組別而言：t 檢定。 對所有的變數：遺漏值形式顯示出變數觀察值。
資料考量
資料。 您所用的資料，可以是類別或數值（比例或連續）。 不過，您可估計統計量並只為定量變數插補遺漏資料。 但對每個變數而言，如果遺漏值沒有被編碼成系統遺漏值的話，則必須被定義為使用者遺漏值。 舉例來說，若問卷項目中的 Don't know 回應值編碼為 5，而且您又想將其視為遺漏值，則此項目就應該將 5 編碼成使用者遺漏值。 如需相關資訊，請參閱主題 遺漏值 。
次數加權。 此程序允許次數（重複）加權。 具有負或零重複加權值的觀察值會被忽略。 系統會截斷非整數加權。
假設。 完全排除、配對和迴歸估計是根據遺漏值形式不依賴資料值的假設。 （該條件就是「隨機完全遺漏」或 MCAR）。 所以，當資料是 MCAR 時，所有用來估計的方法（包含 EM 方法）對相關值與共變異數都能得到一致而不偏的估計值。 違反 MCAR 假設會導致由完全排除、配對和迴歸方法所產生的偏差估計值。 如果資料不是 MCAR，您應使用 EM 估計值。
EM 估計是依據遺漏值形式只和觀察資料有關的假設。 （此條件稱為隨機失踪，或 MAR。） 此假設可使用可用的資訊來調整估計值。 例如，在教育程度與收入的研究中，教育程度低的受試者可能有較多的遺漏收入值。 在這種情況下，資料是 MAR，而非 MCAR。 換句話說，收入會被記錄的機率取決於受試者的教育程度。 這個機率會因教育程度而改變，但不會因「該教育程度」的收入而變。 如果記錄收入的機率也因每一個教育程度內的收入價值而改變（例如，高收入的人不報告他們），那麼這些資料既不是 MCAR，也不是 MAR。 這並非不尋常的情況，但如果適用，則任何方法都不適當。
相關程序。 有許多程序可讓您使用完全排除估計或成對估計。 像「線性迴歸」和「因素分析」，就讓您用平均值來置換遺漏值。 此外，「預測附加程式模組」也提供數種方式，讓您置換時間序列中的遺漏值。
取得遺漏值分析
此功能需要「遺漏值分析」選項。
- 從功能表中選擇：
- 至少選擇一個數值（尺度）變數以估計統計量和隨意選擇插補遺漏值。
您可以選擇性地：
- 選取類別變數（數字或字串），然後輸入類別個數的上限（最大類別）。
- 按一下「形式」將遺漏資料的形式列表。 如需相關資訊，請參閱主題 顯示遺漏值型樣 。
- 按一下「敘述性統計量」來顯示遺漏值的敘述性統計量。 如需相關資訊，請參閱 顯示遺漏值的敘述性統計量 主題。
- 選取一個方法來估計統計量 (平均數、共變異數與相關) 與可能的插補遺漏值。 如需相關資訊，請參閱主題 估計統計量和插補遺漏值 。
- 如果您選取「EM 或迴歸」，請按一下「 變數 」以指定要用於估計的子集。 如需相關資訊，請參閱主題 預測及預測變數 。
- 選取一個觀察值標籤變數。 此變數用來在顯示個別觀察值的形式表中標示觀察值。