stata相關(guān)系數(shù)檢驗(yàn)步驟？您好，打比方你有倆變量X和Y，這樣的話相關(guān)系數(shù)應(yīng)該是pwcorrxy這樣的話就正式報(bào)告了好象意義的相關(guān)系數(shù)了。分類(lèi)數(shù)據(jù)怎么補(bǔ)齊缺失值？（一）個(gè)案去除掉法(Listwise

stata相關(guān)系數(shù)檢驗(yàn)步驟？

您好，打比方你有倆變量X和Y，這樣的話相關(guān)系數(shù)應(yīng)該是pwcorrxy這樣的話就正式報(bào)告了好象意義的相關(guān)系數(shù)了。

分類(lèi)數(shù)據(jù)怎么補(bǔ)齊缺失值？

（一）個(gè)案去除掉法(Listwise Deletion)

最常見(jiàn)、最簡(jiǎn)單的處理缺失數(shù)據(jù)的方法是用個(gè)案去除掉法(listwise

deletion)，確實(shí)是很多統(tǒng)計(jì)軟件（如SPSS和SAS）設(shè)置成的缺失值處理方法。在這種方法中如果沒(méi)有任何一個(gè)變量含有什么缺失數(shù)據(jù)的話，就把相按的個(gè)案從分析中清除干凈。如果沒(méi)有缺乏值所占比例比較好小的話，這一方法非常快速有效。再說(shuō)具體詳細(xì)多大的缺失比例不算“小”比例，專(zhuān)家們意見(jiàn)也必然較大的差距。有學(xué)者如果說(shuō)應(yīng)在5%以下，也有學(xué)者以為20%以下再試一下。但，這種方法卻有很大的局限性。它是以下降樣本量來(lái)積攢信息的完備，會(huì)倒致資源的大量浪費(fèi)，丟落了大量封印在這些對(duì)象中的信息。在樣本量較小的情況下，刪出少量對(duì)象就絕對(duì)能?chē)?yán)重引響到數(shù)據(jù)的客觀性和結(jié)果的正確性。但，當(dāng)功能缺失數(shù)據(jù)所占比例會(huì)增大，特別是當(dāng)缺數(shù)據(jù)非洗技能其分布時(shí)，這種方法很有可能可能導(dǎo)致數(shù)據(jù)再一次發(fā)生移動(dòng)的方向，使得出來(lái)出現(xiàn)錯(cuò)誤的結(jié)論。

（二）均值替換法(Mean Imputation)

在變量更加而所功能缺失的數(shù)據(jù)量又特有龐大無(wú)比的時(shí)候，個(gè)案去除掉法就遇見(jiàn)了困難，畢竟許多有用數(shù)據(jù)也同時(shí)被剔除。不斷著這一問(wèn)題，研究者接觸了各種各樣的辦法。其中的一個(gè)方法是均值替換法(mean

imputation)。我們將變量的屬性兩類(lèi)數(shù)值型和非數(shù)值型來(lái)分別并且處理。要是不完全值是數(shù)值型的，就依據(jù)該變量在其他所有對(duì)象的取值的平均值來(lái)再填充該功能缺失的變量值；假如不完全值是非數(shù)值型的，就依據(jù)統(tǒng)計(jì)學(xué)中的眾數(shù)原理，用該變量在其他所有對(duì)象的取值次數(shù)至少的值來(lái)必須補(bǔ)該不完全的變量值。但這種方出現(xiàn)有偏肯定，所以并不被推崇。均值替換法也是有一種短除法、飛速的缺失數(shù)據(jù)處理方法?？梢允褂镁堤鎿Q法插補(bǔ)缺乏數(shù)據(jù)，對(duì)該變量的均值估計(jì)也不可能產(chǎn)生影響。但這種方法是確立在全部副本缺乏（MCAR）的假設(shè)之上的，但是會(huì)會(huì)造成變量的方差和標(biāo)準(zhǔn)差變小。

（三）熱卡填充法（Hotdecking）

對(duì)此一個(gè)中有缺乏值的變量，熱卡填充法在數(shù)據(jù)庫(kù)中找不到一個(gè)與它最有幾分相似的對(duì)象，然后再用這個(gè)相似對(duì)象的值來(lái)參與填充。不同的問(wèn)題肯定會(huì)選用不同的標(biāo)準(zhǔn)來(lái)對(duì)相象接受判定。最常見(jiàn)的是可以使用相關(guān)系數(shù)矩陣來(lái)考慮哪個(gè)變量（如變量Y）與缺失值的地方變量（如變量X）最去相關(guān)。接著把所有個(gè)案按Y的取值大小并且排序。這樣變量X的缺失值就可以用排在缺失值前的那個(gè)個(gè)案的數(shù)據(jù)來(lái)可以用了。與均值替換法比起，用來(lái)熱卡圖案填充法插補(bǔ)數(shù)據(jù)后，其變量的標(biāo)準(zhǔn)差與插補(bǔ)前也很逼近。但在回歸方程中，可以使用熱卡再填充法容易讓回歸方程的誤差大小改變，參數(shù)估計(jì)變得不穩(wěn)定，但這種方法不使用不便，比較好前后歷時(shí)。

（四）回歸替換法(Regression Imputation)

進(jìn)入虛空替換法簡(jiǎn)單要選擇類(lèi)型若干個(gè)分析和預(yù)測(cè)不完全值的自變量，接著組建回歸方程大概缺失值，即用不完全數(shù)據(jù)的條件期望值對(duì)缺失值接受替換后。與上文所述幾種插補(bǔ)方法比較好，該方法憑借了數(shù)據(jù)庫(kù)中盡量多的信息，并且一些統(tǒng)計(jì)軟件（如Stata）也早都能夠然后執(zhí)行該功能。但該方法也有諸多弊端，第一，這雖然是個(gè)無(wú)偏估記，但卻很難忽視洗技能誤差，完全相信標(biāo)準(zhǔn)差和其他未知地性質(zhì)的測(cè)量值，但這一問(wèn)題會(huì)隨著缺乏信息的增多而變地十分嚴(yán)重。第二，研究者需要舉例存在缺乏值原先的變量與其他變量存在地線性關(guān)系，并不一定這種關(guān)系是不必然的。

（五）多重替代法(Multiple Imputation)

多貴估算是由Rubin等人于1987年成立過(guò)來(lái)的一種數(shù)據(jù)擴(kuò)充和統(tǒng)計(jì)分析方法，以及簡(jiǎn)單點(diǎn)估算的改進(jìn)產(chǎn)物。簡(jiǎn)單的方法，重物估算技術(shù)用一系列可能的值來(lái)修改成每一個(gè)缺失值，以反映被替換的缺失數(shù)據(jù)的不確定性。然后再，用標(biāo)準(zhǔn)的統(tǒng)計(jì)分析過(guò)程對(duì)三次替換后后才能產(chǎn)生的若干個(gè)數(shù)據(jù)集通過(guò)分析。后來(lái)，把充斥于各個(gè)數(shù)據(jù)集的統(tǒng)計(jì)結(jié)果并且綜合類(lèi)，能夠得到總體參數(shù)的估計(jì)值。而重物估算技術(shù)并不是什么用每種的值來(lái)重命名缺失值，而是借著再產(chǎn)生失衡值的一個(gè)副本樣本，這種方法當(dāng)時(shí)的社會(huì)出了導(dǎo)致數(shù)據(jù)缺失而會(huì)造成的不確定性，都能夠有一種更加管用的統(tǒng)計(jì)推測(cè)。增強(qiáng)這種方法，研究者可以都很不容易地，在不舍棄掉任何數(shù)據(jù)的情況下對(duì)缺失數(shù)據(jù)的未知性質(zhì)并且猜想。NORM統(tǒng)計(jì)軟件可以相對(duì)于最簡(jiǎn)便地能操作該方法