1、均值插补。数据的属性分为定距型和非定距型。如果缺失值是定距型的，就以该属性存在值的平均值来插补缺失的值；如果缺失值是非定距型的，就根据统计学中的众数原理，用该属性的众数(即出现频率最高的值)来补齐缺失的值。
2、利用同类均值插补。同均值插补的方法都属于单值插补，不同的是，它用层次聚类模型预测缺失变量的类型，再以该类型的均值插补。假设X=（X1，X2...Xp）为信息完全的变量，Y为存在缺失值的变量。
那么首先对X或其子集行聚类，然后按缺失个案所属类来插补不同类的均值。如果在以后统计分析中还需以引入的解释变量和Y做分析，那么这种插补方法将在模型中引入自相关，给分析造成障碍。
3、极大似然估计（Max Likelihood ，ML）。在缺失类型为随机缺失的条件下，假设模型对于完整的样本是正确的，那么通过观测数据的边际分布可以对未知参数进行极大似然估计（Little and Rubin）。
这种方法也被称为忽略缺失值的极大似然估计，对于极大似然的参数估计实际中常采用的计算方法是期望值最大化(Expectation Maximization，EM）。
4、多重插补（Multiple Imputation，MI）。多值插补的思想来源于贝叶斯估计，认为待插补的值是随机的，它的值来自于已观测到的值。具体实践上通常是估计出待插补的值，然后再加上不同的噪声，形成多组可选插补值。根据某种选择依据，选取最合适的插补值。
扩展资料
缺失值产生的原因很多，装备故障、无法获取信息、与其他字段不一致、历史原因等都可能产生缺失值。一种典型的处理方法是插值，插值之后的数据可看作服从特定概率分布。另外，也可以删除所有含缺失值的记录，但这个操作也从侧面变动了原始数据的分布特征。
对于缺失值的处理，从总体上来说分为删除存在缺失值的个案和缺失值插补。对于主观数据，人将影响数据的真实性，存在缺失值的样本的其他属性的真实值不能保证，那么依赖于这些属性值的插补也是不可靠的，所以对于主观数据一般不推荐插补的方法。插补主要是针对客观数据，它的可靠性有保证。
参考资料来源：百度百科-不确定性数据
参考资料来源：百度百科-缺失值
如果缺失值只占数据的5%不到，那么缺失值对数据的影响不大，各种缺失处理方式差异不大，简单点处理就好，比如均值填补，或者索性直接删除有缺失的个案，但均值填补无法利用缺失数据里面可能含有的有效信息，而删除个案有可能导致对数据的结构产生不利影响（比如绩效考核的时候不合格者没有成绩，形成缺失，这样删掉缺失就会让数据缺乏代表性，只有合格者，没有不合格者）。相较于均值填补，回归填补法要更准确一些（这只限于并非大量缺失的情况，否则回归也会产生有偏的估计
如果确实数量较大，建议用EM算法，有不少研究者通过模拟研究表明这种填补法得到的结果最为准确，其操作是spss菜单里选择 分析——缺失值分析，会弹出下面这个对话框
然后将需要填补缺失的数据选入右边的变量框（要注意变量类型），然后在估计方法那里选EM，然后点击EM按钮，将填补后的数据保存为新数据集就OK
谢谢你 我会采纳你的但是请问一下 是将需要填补的数据选到哪个框？定量还是分类呀
这样的方法是不是只适用于缺失处空行或空格？如果是没空行是不是查不出这里缺失数据不连续？
如果你缺的是连续变量，就把数据选入定量变量里面（一般的问卷题目都是算定量的），如果是分类变量，就选到分类变量（分类变量的数值没有实际意义，只是为了将不同的水平区分开，比如性别就属于分类变量，赋予它们数值并不表示谁高谁低），但是一般情况下，如果性别信息缺失，是不需要填补的，因为填补了意义也不大，比如男1女0的情况下，缺失填补后出现一个0.8，那这没法算。
只要是有缺失，都可以用这个方法填补，spss会自动给你填好，不需要手动查找缺失。