需识别并定义系统缺失（“.”）和用户缺失（如999），在变量视图中设置缺失值定义；再用均值、中位数等统计量替换填充，适用于低比例缺失的数值变量。
如果您在SPSS中遇到变量存在空值、系统缺失（如显示为“.”）或用户定义缺失（如录入为999但实际代表“不适用”），则需对这些缺失值进行识别与处理，以避免影响统计分析结果的准确性。以下是SPSS中处理缺失值的多种方法：
一、识别与定义缺失值
准确识别缺失值类型是后续处理的前提。SPSS区分系统缺失（自动标记为英文句点“.”）和用户缺失（需人工指定）。必须先确认数据中哪些数值应被识别为缺失，再统一赋义。
1、双击变量名进入“变量视图”，找到“缺失”列。
2、点击该单元格右侧的三个小点，打开缺失值定义窗口。
3、选择“离散缺失值”，输入一个、两个或三个特定数值（如9、99、999）；或选择“范围加一个离散缺失值”，设定范围（如10–99）并补充一个额外离散值。
4、点击“确定”后，所有匹配数值在“数据视图”中将显示为灰色句点“.”，表示已被SPSS识别为缺失值。
二、使用替换法填充缺失值
该方法通过计算已有观测值的统计量（如均值、中位数、众数）来填补缺失位置，适用于数值型变量且缺失比例较低（一般
1、点击菜单栏【转换】→【替换缺失值】。
2、将含缺失值的变量移入右侧“新变量”框，SPSS会自动生成带后缀“_1”的新变量名。
3、在“方法”下拉菜单中，选择“序列均值”（相邻非缺失值的平均）、“邻近点均值”（前后各N个有效值的均值）或“线性插值”（按序号线性推算）。
4、点击“确定”，新变量将在数据视图末尾生成，原缺失位置已填入计算所得值，且原始变量保持不变。
三、采用多重插补法生成多个完整数据集
多重插补是一种基于概率模型的现代缺失值处理技术，它不生成唯一填补值，而是创建m个（如m=5）不同的完整数据集，每个集内缺失值由回归预测与随机误差共同生成，从而反映缺失不确定性，适用于缺失机制为“随机缺失”（MAR）的情形。
1、点击菜单栏【分析】→【多重插补】→【插补缺失值数据】。
2、将需插补的数值型变量和分类协变量（如性别、教育程度）分别移入对应框；分类变量需提前设置为名义或有序测量尺度。
3、在“插补数据集数”中输入整数（推荐5或10），勾选“包括插补变量的插补模型”以提升精度。
4、点击“确定”后，SPSS自动生成一个新数据集，其中包含m个编号子数据集（如imputation_1至imputation_5），每个数据集均无缺失值且结构独立。
四、删除含缺失值的个案
当缺失集中在少数个案且变量重要性高时，直接剔除含任何缺失的整行观测（即列表删除）可确保分析所用数据完全一致，但会导致样本量下降，仅适用于缺失比例极低（
1、点击菜单栏【数据】→【选择个案】。
2、选择“如果条件满足”，点击“如果”按钮。
3、在表达式框中输入：NOT(MISSING(变量名))，多个变量用AND连接，例如：NOT(MISSING(age)) AND NOT(MISSING(income))。
4、勾选“将选定个案复制到新数据集”，输入新数据集名称，点击“确定”后，新数据集仅含全部变量均非缺失的个案。
五、使用个案剔除方式控制分析过程中的缺失处理
SPSS多数统计过程（如回归、t检验、相关分析）内置缺失值处理选项，可在执行分析时不修改原始数据，仅临时排除含缺失的个案参与当前计算，适用于探索性分析或对比不同缺失处理策略的结果差异。
1、运行任意分析过程（如【分析】→【回归】→【线性】）。
2、将因变量与自变量移入对应框后，点击右下角“选项”按钮。
3、在“缺失值”区域，选择“按列表排除个案”（仅当所有变量均非缺失才纳入）或“按对排除个案”（每对变量单独判断，用于相关矩阵）。
4、点击“继续”返回主对话框，运行分析后，输出表格下方将注明“a. 因变量: XXX；个案数 = N（列表排除）”，明确本次分析实际使用的样本量。
