Si vous ignorez ou excluez les données manquantes, vous risquez d’obtenir des résultats faussés ou non significatifs. Avec SPSS Missing Values vous pouvez imputer une valeur à vos données manquantes et tirez des conclusions plus valides. SPSS Missing Values* est un outil vital pour la validité des données. Vous pouvez facilement examiner vos données pour découvrir les modèles de données manquantes. Ensuite, estimez les statistiques résumées et imputez les valeurs manquantes via des algorithmes statistiques.
Vous pouvez par exemple modifier les questions d’enquête susceptibles de générer des confusions en tenant compte des modèles de données manquantes observés. Vous pouvez même déterminer si les valeurs manquantes d’une variable sont liées aux valeurs manquantes d’une autre variable en observant la non concordance des pourcentages sur le tableau des modèles. Vous pourriez par exemple découvrir que les répondants qui ignorent une question sur le revenu peuvent également ignorer une question sur le niveau d’éducation. Utilisez cette information pour améliorer la qualité de vos enquêtes futures.
Vous pouvez rapidement diagnostiquer un grave problème de données manquantes en utilisant le résumé général du rapport sur les valeurs manquantes. Le rapport sur les modèles de valeurs manquantes fournit ensuite une présentation au cas par cas de vos données. Il affiche un cliché de chaque type de valeur manquante et les valeurs extrêmes pour chaque cas.
Utilisez le test t de variance séparée flexible et la tabulation croisée des tableaux de variables catégoriques pour découvrir l’existence éventuelle de différences importantes entre répondants et non répondants. Ces rapports vous aident à décider si les données manquantes peuvent poser problème dans votre analyse.
Consultez le résumé des modèles de données manquantes et les jeux de variables correspondant aux modèles des rapports de modèles tabulés.
Dans SPSS Missing Values 17.0, une nouvelle procédure d’imputation multiple vous aide à comprendre les modèles de données manquantes de votre ensemble de données et vous permet de remplacer ces valeurs manquantes par des estimations plausibles. Cette procédure offre un mode d’imputation totalement automatique qui choisit la méthode d’imputation la plus adaptée en fonction des caractéristiques de vos données tout en autorisant la personnalisation du modèle d’imputation.
Plusieurs jeux de données complets sont générés (généralement de trois à cinq), chacun avec un ensemble différent de valeurs de remplacement. Vous pouvez ensuite modéliser chaque ensemble de données avec les techniques habituelles telles que la régression linéaire pour produire des estimations de paramètres pour chaque ensemble de données. Ensuite, obtenez les estimations de paramètres finales. Ces estimations impliquent de regrouper les jeux d’estimations de paramètres obtenus à l’étape deux et de calculer les statistiques inférentielles prenant en compte la variation à l’intérieur des imputations et entre les imputations.
L’analyse de chaque ensemble de données et le regroupement des résultats sont supportés via les procédures SPSS Statistics existantes telles que la REGRESSION. Lors du traitement des ensembles de données avec les valeurs imputées, les procédures existantes vont automatiquement produire des estimations de paramètre groupées.
Remplacez les valeurs manquantes par des estimations et augmentez vos chances d’obtenir des résultats statistiquement significatifs. Supprimez toute distorsion cachée dans vos données en remplaçant les valeurs manquantes par des estimations pour inclure tous les groupes dans votre analyse –même ceux ayant un faible taux de réponse.
* SPSS Missing Values était précédemment appelé SPSS Valeur Manquante.
Produits et Services
Ressources
Démos et Téléchargements
