多重填补缺失值 stata 怎么获得最后的数据库很多人对这个问题比较感兴趣，下面让我们一起来看求助：stata时间序列数据缺失值的处理，希望可以帮助到你。
求助：stata时间序列数据缺失值的处理
用xtbalance命令平衡一下。再回归。否则，你缺失的数据只有补齐，如果不能补齐，当然只有平衡一下了。
缺失值在回归前一般是要处理的，有多种处理方式.1均值替代;2多重补漏分析
（一）个案剔除法(Listwise Deletion)
最常见、最简单的处理缺失数据的方法是用个案剔除法(listwise
deletion)，也是很多统计（如SPSS和SAS）默认的缺失值处理方法。在这种方法中如果任何一个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比较小的话，这一方法十分有效。至于具体多大的缺失比例算是“小”比例，专家们意见也存在较大的差距。有学者认为应在5%以下，也有学者认为20%以下即可。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。在样本量较小的情况下，删除少量对象就足以严重影响到数据的客观性和结果的正确性。因此，当缺失数据所占比例较大，特别是当缺数据非随机分布时，这种方法可能导致数据发生偏离，从而得出错误的结论。
（二）均值替换法(Mean Imputation)
在变量十分重要而所缺失的数据量又较为庞大的时候，个案剔除法就遇到了困难，因为许多有用的数据也同时被剔除。围绕着这一问题，研究者尝试了各种各样的办法。其中的一个方法是均值替换法(mean
imputation)。我们将变量的属性分为数值型和非数值型来分别进行处理。如果缺失值是数值型的，就根据该变量在其他所有对象的取值的平均值来填充该缺失的变量值；如果缺失值是非数值型的，就根据统计学中的众数原理，用该变量在其他所有对象的取值次数最多的值来补齐该缺失的变量值。但这种方法会产生有偏估计，所以并不被推崇。均值替换法也是一种简便、快速的缺失数据处理方法。使用均值替换法插补缺失数据，对该变量的均值估计不会产生影响。但这种方法是建立在完全随机缺失（MCAR）的假设之上的，而且会造成变量的方差和标准差变小。
（三）热卡填充法（Hotdecking）
对于一个包含缺失值的变量，热卡填充法在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充。不同的问题可能会选用不同的标准来对相似进行判定。最常见的是使用相关系数矩阵来确定哪个变量（如变量Y）与缺失值所在变量（如变量X）最相关。然后把所有个案按Y的取值大小进行排序。那么变量X的缺失值就可以用排在缺失值前的那个个案的数据来代替了。与均值替换法相比，利用热卡填充法插补数据后，其变量的标准差与插补前比较接近。但在回归方程中，使用热卡填充法容易使得回归方程的误差增大，参数估计变得不稳定，而且这种方法使用不便，比较耗时。
（四）回归替换法(Regression Imputation)
回归替换法首先需要选择若干个预测缺失值的自变量，然后建立回归方程估计缺失值，即用缺失数据的条件期望值对缺失值进行替换。与前述几种插补方法比较，该方法利用了数据库中尽量多的信息，而且一些统计（如Stata）也已经能够直接执行该功能。但该方法也有诸多弊端，第一，这虽然是一个无偏估计，但是却容易忽视随机误差，低估标准差和其他未知性质的测量值，而且这一问题会随着缺失信息的增多而变得更加严重。第二，研究者必须假设存在缺失值所在的变量与其他变量存在线性关系，很多时候这种关系是不存在的。
（五）多重替代法(Multiple Imputation)
多重估算是由Rubin等人于1987年建立起来的一种数据扩充和统计分析方法，作为简单估算的改进产物。首先，多重估算技术用一系列可能的值来替换每一个缺失值，以反映被替换的缺失数据的不确定性。然后，用标准的统计分析过程对多次替换后产生的若干个数据集进行分析。最后，把来自于各个数据集的统计结果进行综合，得到总体参数的估计值。由于多重估算技术并不是用单一的值来替换缺失值，而是试图产生缺失值的一个随机样本，这种方法反映出了由于数据缺失而导致的不确定性，能够产生更加有效的统计推断。结合这种方法，研究者可以比较容易地，在不舍弃任何数据的情况下对缺失数据的未知性质进行推断。NORM统计可以较为简便地操作该方法
在stata中对变量进行标准化时产生了缺失值，怎么处理
在做回归时需要对“收入”变量取对数。但是该变量有的值为0，取对数之后会出现缺失值；有的值小于1，取对数之后出现负值。
这个很正常，有的数据本身并不适合取对数，对数的定义域不应该小于等于0。
如果小于等于0的数据较少，可以令其为0，如果太多，说明取对数不合适。
stata如何导入数据
用Access打开校友录的数据库文件，选中包含校友信息的“student”表，然后单击鼠标右键并选择“导出”命令。
在打开的对话框中将“保存类型”改成“Microsoft Excel 97-2003 (*.XLS)，然后输入文件名称，单击“导出”按钮，稍后就得到了一个标准的Excel工作簿文件。注意：在Access程序中还可以轻松将数据库表导出为VF的DBF文件、Paradox的数据库文件、文本文件等多种格式以供调用。用Excel打开导出得到的文件，将不需要的列删除，只保留姓名和E-mail地址所在的两列，随后保存，最后将此文件上传给领导审阅即可。
二、用AccessToExcel来帮忙
如果对Access数据库操作不熟悉，没关系，可以使用AccessToExcel这款免费软件来帮忙。AccessToExcel，顾名思义，就是将Access数据库转换为Excel工作簿。安装并运行Access ToExcel，单击窗口左上角“导出Access数据库文件”左边的Access图标，在打开的对话框中选择要转换的MDB文件，打开该数据库文件。提醒：该软件附带提供获取Access数据库密码的功能，但算法不够全面，如果不能获取要打开的数据库密码会弹出提示，请在“Access数据库密码”下手动输入。单击右侧“数据库操作”标签下的“获取数据库”按钮，稍后将在“数据表名称列表”下显示该数据库中各表的名称。
从列表中选中要转换的那个表，单击“获取字段列表”按钮，在窗口左下方便列出了表中的各字段，去除不需要的字段前的对勾，然后点击“浏览数据”按钮，可检验是否为最终需要的项目。
切换到“导出数据”标签下，单击“选择导出文件”按钮，输入最终要导出的EXCEL文件名。单击“导出”按钮，在窗口下方会显示导出进度，完成后在弹出的对话框中点击“是”立即保存。这样便得到了需要的Excel文件。用Excel打开导出的文件，可发现其中只有选中的字段。
stata插值，怎样采用缺失值附近数据进行
得写一篇paper了。
缺失值的类型：missing at Radom, missing completely at Radom, missing not at Radom.
常用的方法有好多。目前流行的是Multiple imputation