
SPSS数据准备:数据验证
一、数据准备:
随着计算系统能力的提高,对信息的需要成比例增长,导致收集的数据越来越多—出现更多的个案、更多的变量以及更多的数据输入错误。这些错误会损害作为数据仓储最终目标的预测模型的预测,因此您需要使数据保持“干净”。不过,数据仓储中的数据量的增长已经大大超出了手动验证个案的能力,而这对于实现自动化的数据验证过程来说十分关键。
“数据准备”附加模块允许您标识活动数据集中的异常个案和无效个案、变量和数据值,并准备建模数据。
1、元数据准备。复查数据文件中的变量并确定其有效值、标签和测量级别。标识不太可能但经常存在编码错误的变量值的组合。根据这些信息定义验证规则。这是一项极为耗时的任务,不过,如果您需要定期验证具有类似属性的数据文件,则完成这项任务是十分值得的。
2、数据验证。运行基本检查并针对定义的验证规则进行检查,标识无效个案、变量和数据值。找到无效数据时,调查并更正原因。这可能需要另一个通过元数据准备的步骤。
3、模型准备。使用自动数据准备获得将改进模型构建的原始字段的转换。标识可能导致许多预测模型出现问题的潜在统计离群值。有些离群值是尚未标识的无效变量值导致的结果。这可能需要另一个通过元数据准备的步骤。
二、验证规则
1、规则用于确定个案是否有效。有两种类型的验证规则:
1.1、单变量规则。单变量规则包含一组应用于单个变量的固定检查,例如范围外值的检查。对于单变量规则,有效值可以表示为一个值范围,也可以表示为一个可接受值列表。
1.2、交叉变量规则。交叉变量规则是用户定义的规则,可以应用于单个变量,也可以应用于变量组合。交叉变量规则由标记无效值的逻辑表达式定义。
2、载入预定义验证规则(数据-验证-加载预定义验证规则)
通过从安装中所包含的外部数据文件载入预定义规则可以快速获取一组可供使用的验
证规则。
3、定义验证规则(数据-验证-定义规则)
“定义验证规则”对话框允许您创建和查看单变量和交叉变量验证规则。
三、验证数据(数据-验证-验证数据)
“验证数据”对话框允许您标识活动数据集中可疑的和无效的个案、变量和数据值。
1、示例。数据分析人员每个月必须向客户提供客户满意度报告。她每个月接收到的数据需要进行质量检查,看是否存在不完整的客户标识、超出范围的变量值以及经常错误输入的变量值组合。“验证数据”对话框允许分析人员指定唯一标识客户的变量,为有效变量范围定义单变量规则,并定义交叉变量规则以找出不可能的组合。该过程返回问题个案和变量的报告。此外,每个月的这些数据都具有相同的数据元素,因此分析人员可以将规则应用于下个月的新数据文件。
2、统计量。该过程生成多项检查失败的变量、个案和数据值的列表,违反单变量和交叉变量规则的次数计数,以及分析变量的简单描述摘要。
3、权重。该过程忽略权重变量规范,而是像对待任何其他分析变量一样对待权重变量。
4、分析变量。如果在“变量”选项卡上选择了任何分析变量,则可选择以下任意有效性检查。复选框允许您打开或关闭检查。
4.1、缺失值的最大百分比。报告缺失值百分比大于指定值的分析变量。指定的值必须是一个小于等于100的正数。
4.2、单个类别中个案所占的最大百分比。如果任何分析变量是分类变量,则此选项报告表示单个非缺失类别的个案的百分比大于指定值的分类分析变量。指定的值必须是一个小于等于100的正数。百分比基于具有非缺失变量值的个案。
4.3、计数为1的类别的最大百分比。如果任何分析变量是分类变量,则此选项报告仅包含一个个案的变量类别的百分比大于指定值的分类分析变量。指定的值必须是一个小于等于100的正数。
4.4、最小变异系数。如果任何分析变量是刻度变量,则此选项报告变异系数的绝对值小于指定值的刻度分析变量。此选项仅适用于均值非零的变量。指定的值必须是一个非负数。指定0会关闭变异系数检查。
4.5、最小标准差。如果任何分析变量是刻度变量,则此选项报告标准差小于指定值的刻度分析变量。指定的值必须是一个非负数。指定0会关闭标准差检查。
5、摘要变量。这些是可以保存的单个变量。选中一个框可保存该变量。为这些变量提供了默认名称;您可以进行编辑。
5.1、空个案指示器。空个案会分配值1。所有其他个案都具有代码0。变量的值反映在“基本检查”选项卡上指定的范围。
5.2、双ID组。具有相同个案标识的个案(具有不完整标识的个案除外)会分配有相同的组号。具有唯一标识或不完整标识的个案都具有代码0。
5.3、ID指示器不完整。具有空的或不完整的个案标识的个案将分配值1。所有其他个案的代码都为0。
5.4、确认规则违反(总数)。这是按个案计数的违反单变量和交叉变量验证规则的总数。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15