在资料收集的过程中，由于各种原因可能导致数据收集不全，就会产生缺失值，且这种情况往往无法避免。如果缺失值处理不当，就会导致分析结果精度降低，出现偏倚甚至是错误的理论，因此缺失值的分析显得尤为重要。数据的缺失经常会存在着一定的规律，为了认识和研究缺失数据，按照数据缺失形式，我们常将其分为单元缺失与项目缺失两种。
（1）单元缺失：只针对需调查的个案进行调查而没有得到个案信息。如对整个班级进行调查，发放60分调查表，部分调查对象未交回调查表导致的资料缺失。这种缺失在数据分析阶段常常无能为力。
（2）项目缺失：指在调查内容中某些变量的观测结果有缺失。如对整个班级进行调查后，收回的调查表中，部分女生因为“保密”而未填写体重一项，造成资料缺失。
无论缺失数据的形式是单元缺失还是项目缺失，从缺失机制与方式上又可将其分为完全随机缺失、随机缺失与非随机缺失。
（1）完全随机缺失（Missing Completely at Random,MCAR）指已评价的结果或即将要进行的评价结果中，研究对象的缺失率是独立的。即缺失现象完全随机发生，与自身或其他变量取值无关。如调查进行中，因被调查对象接到电话，或紧急事件马上离开，调查无完成导致缺失。
（2）随机缺失（Missing at Random,MAR）指缺失数据的发生与数据库中其他无缺失变量的取值有关。某一观察值缺失的概率仅依赖已有的观察结果。比如，研究某新药对高血压患者的疗效，但一些血压过高的患者，根据纳入标准予以排除。MAR是最常见的缺失机制。
（3）非随机缺失（MIssing Not at Random,MNAR）指数据的缺失不仅与其他变量的取值有关，缺失率与缺失数据有关，也和自身有关。这种缺失大都不是偶然因素所造成的，常常是不可忽略的，比如在调查收入时，收入高的人出于各种原因不愿意提供家庭年收入值。对于MNAR此种缺失机制，目前尚无特别有效的方法能进行处理。
识别缺失数据的产生机制是极其重要的，首先这涉及到代表性问题，从统计上说，非随机缺失的数据会产生偏估计，因此不能很好地代表总体。其次，它决定数据插补方法的选择。随机缺失数据处理相对比较简单，但非随机缺失数据处理比较困难，原因在于偏差的程度难以把握。
面对不同的数据缺失情况，那我们该如何处理呢？大致上我们把处理方法归为以下几类。
1、删除缺失值
最常见、最简单的处理缺失数据的方法，使用这种方法时，如果任何个案在某一变量含有缺失数据的话，就把相对应的个案从分析中剔除。如果缺失值所占比例较小 的话，这一方法十分有效。然而，这种方法却有很大的局限性，它是以减少样本量来换取信息的完备，会造成资源的大量浪费，丢弃了大量隐藏在这些对象中的信息。
2、缺失值代替
即“转换”选项卡中“替换缺失值”菜单过程。此过程将所有的记录看成一个序列，然后采用某种指标对缺失值进行填充，它实际上专门用于解决时间序列模型中的缺失值问题。虽然其中的一些填充方法也可以用于普通数据，但相比之下，如果在序列数据中使用该过程可能得不偿失，应当谨慎使用。常用的填充方式由算术均数、缺失值邻近点的算术均数、中位数以及线性插入等。
3、缺失值分析
此过程是SPSS专门针对缺失值分析而提供的模块，他提供了对缺失值问题全面而强大的分析能力，主要功能有以下3种:
（1）缺失值的描述和快速诊断：用灵活的诊断报告来评估缺失值问题的严重性，用户可以观察到它们在哪些变量中出现，比例为多少，是否与其他变量取值有关，从而得知这些缺失值出现是否会影响分析结论。
（2）得到更精确的统计量：提供了多种方法用于估计含缺失值数据的均值、相关矩阵或协方差矩阵，通过这些方法计算出的统计量将更加可靠。
（3）用估计值替换缺失值：使用EM或回归法，用户可以从未缺失数据的分布情况中推算出缺失数据的估计值，从而能有效地使用所有数据进行分析，来提高统计结果的可信度。
在前述的3种缺失机制中，非随机缺失很难得到有效的统计学处理，SPSS的缺失值分析模块主要是对MCAR和MAR的情形进行分析，尤其是后者。数据分析培训