sas中如何將數(shù)據(jù)表格和矩陣轉(zhuǎn)換 幾種常見的缺失數(shù)據(jù)插補(bǔ)方法？

幾種常見的缺失數(shù)據(jù)插補(bǔ)方法？（一）個案剔除法(Listwise Deletion)最常見、最簡單的處理缺失數(shù)據(jù)的方法是用個案清除干凈法(listwisedeletion)，確實是很多統(tǒng)計軟件（如SPS

幾種常見的缺失數(shù)據(jù)插補(bǔ)方法？

（一）個案剔除法(Listwise Deletion)

最常見、最簡單的處理缺失數(shù)據(jù)的方法是用個案清除干凈法(listwise

deletion)，確實是很多統(tǒng)計軟件（如SPSS和SAS）設(shè)置成的缺失值處理方法。在這種方法中要是任何一個變量所含的不完全數(shù)據(jù)的話，就把相隨機(jī)的個案從分析中別除。假如缺失值所占比例比較小的話，這一方法相當(dāng)管用。再說詳細(xì)多大的缺失比例算是“小”比例，專家們意見也修真者的存在較高的差距。有學(xué)者以為應(yīng)在5%以下，也有學(xué)者以為20%以下表就行。但他，這種方法卻有很大的局限性。它是以減少樣本量來換取信息的完備，會倒致資源的大量浪費，扔掉了大量隱藏地在這些對象中的信息。在樣本量較小的情況下，刪除掉少量對象就絕對無法十分嚴(yán)重影響大到數(shù)據(jù)的客觀性和結(jié)果的正確性。但，當(dāng)不完全數(shù)據(jù)所占比例較高，特別是當(dāng)缺數(shù)據(jù)非必掉分布特點時，這種方法可能造成數(shù)據(jù)發(fā)生了什么明顯脫離，最大限度地結(jié)論錯誤`的結(jié)論。

（二）均值替換法(Mean Imputation)

在變量更而所缺失的數(shù)據(jù)量又少見龐然的時候，個案拔干凈法就遇見困難，是因為許多有用的數(shù)據(jù)也另外被清除干凈。不斷著這一問題，研究者數(shù)次了各種各樣的辦法。其中的一個方法是均值替換法(mean

imputation)。我們將變量的屬性統(tǒng)稱數(shù)值型和非數(shù)值型來各參與處理。如果沒有不完全值是數(shù)值型的，就依據(jù)什么該變量在其他所有對象的取值的平均值來再填充該不完全的變量值；要是缺乏值是非數(shù)值型的，就據(jù)統(tǒng)計學(xué)中的眾數(shù)原理，用該變量在其他所有對象的取值次數(shù)最多的值來短板補(bǔ)齊該功能缺失的變量值。但這種方產(chǎn)生有偏大概，所以的確被推祟。均值替換法也種方便簡潔、飛快的缺失數(shù)據(jù)處理方法。可以使用均值替換法插補(bǔ)缺失數(shù)據(jù)，對該變量的均值肯定不會產(chǎn)生影響。但這種方法是確立在已經(jīng)副本失衡（MCAR）的假設(shè)之上的，不過會導(dǎo)致變量的方差和標(biāo)準(zhǔn)差變小。

（三）熱卡填充法（Hotdecking）

對此一個乾坤二卦缺乏值的變量，熱卡填充法在數(shù)據(jù)庫中找到一個與它最有幾分相似的對象，接著用這個幾乎完全一樣對象的值來通過再填充。有所不同的問題可能會選用天然不同的標(biāo)準(zhǔn)來對相似參與直接判斷。最常見的是不使用相關(guān)系數(shù)矩陣來確認(rèn)哪個變量（如變量Y）與缺失值的地方變量（如變量X）最查找。然后把所有個案按Y的取值大小通過排序。這樣的話變量X的缺失值就這個可以用排在缺失值前的那個個案的數(shù)據(jù)來替代了。與均值替換法而言，依靠熱卡填充后法插補(bǔ)數(shù)據(jù)后，其變量的標(biāo)準(zhǔn)差與插補(bǔ)前比較比較將近。但在回歸方程中，可以使用熱卡再填充法不容易使得回歸方程的誤差大小改變，參數(shù)估計變的不穩(wěn)定啊，但這種方法可以使用不便，都很前后歷時。

（四）回歸替換法(Regression Imputation)

重臨修改成法是需要必須你選若干個分析預(yù)測不完全值的自變量，然后把確立回歸方程肯定缺失值，即用功能缺失數(shù)據(jù)的條件期望值對缺失值通過重命名。與上述全部幾種插補(bǔ)方法比較，該方法憑借了數(shù)據(jù)庫中最好不要多的信息，而且一些統(tǒng)計軟件（如Stata）也已經(jīng)還能夠就負(fù)責(zé)執(zhí)行該功能。但該方法也有諸多弊端，第一，這雖然是三個無偏肯定，只不過卻不容易輕視任務(wù)道具誤差，失算標(biāo)準(zhǔn)差和其他未知力量性質(zhì)的測量值，而且這一問題會伴隨著功能缺失信息的增多而變得十分嚴(yán)重。第二，研究者要題中必然失衡值的地方的變量與其他變量修真者的存在線性關(guān)系，有些時候這種關(guān)系是不存在的。

（五）多重其它的東西法(Multiple Imputation)

重物估算是由Rubin等人于1987年建立起起來的一種數(shù)據(jù)擴(kuò)充和統(tǒng)計分析方法，充當(dāng)簡單估算的改進(jìn)產(chǎn)物。簡單，多厚估算技術(shù)用一系列肯定的值來修改成每一個缺失值，以思想活動被重命名的缺失數(shù)據(jù)的不確定性。然后再，用標(biāo)準(zhǔn)的統(tǒng)計分析過程對三次替換后有一種的若干個數(shù)據(jù)集參與分析。之后，把不知從何而來于各個數(shù)據(jù)集的統(tǒng)計結(jié)果進(jìn)行綜合，得到總體參數(shù)的估計值。導(dǎo)致多貴估算技術(shù)并并非用單個體的值來全部替換缺失值，完全是趁機(jī)產(chǎn)生功能缺失值的一個隨機(jī)樣本，這種方法思想活動出了的原因數(shù)據(jù)缺失而可能導(dǎo)致的不確定性，也能產(chǎn)生更加最有效的統(tǒng)計斷定。結(jié)合這種方法，研究者也可以都很不容易地，在不親手毀滅任何數(shù)據(jù)的情況下對缺乏數(shù)據(jù)的未知的東西性質(zhì)進(jìn)行猜想。NORM統(tǒng)計軟件可以相對于省事地你操作該方法

經(jīng)濟(jì)學(xué)需要什么方面的數(shù)學(xué)知識？

學(xué)經(jīng)濟(jì)學(xué)，要有數(shù)學(xué)知識的準(zhǔn)備是：

1、微積分（從極限的定義就開始，一直在到重物積分）。

2、概率論（非連續(xù)的、后的各種概率模型、各種密度函數(shù)、概率函數(shù)、貝葉斯先驗后驗等等）。

3、數(shù)理統(tǒng)計（大數(shù)定律、中心極限定理、各種統(tǒng)計指標(biāo)，期望、方差等等的推到和應(yīng)用、做統(tǒng)計模型等等）

4、線性代數(shù)（行列式、矩陣、矩陣的應(yīng)用）

5、實變函數(shù)、泛函分析、隨機(jī)過程、博弈論，這些必要的例如C/Matlab或其他編程工具的學(xué)習(xí)，再者，替進(jìn)行實證分析，R語言也可以SPSS、SAS等統(tǒng)計分析程序建議也要完全掌握一門。