发布时间：
一般不会因为数据出问题而导致外审不通过的。放心！
学位论文答辩必须严格把关
不断有坊间传闻或媒体曝光，研究生论文抄袭剽窃、弄虚作假时有发生，严重者有的院士导师也受牵连；导师间互相聘请为答辩专家，投桃报李，本来十分严肃庄重的研究生学位论文答辩成为导师间友情交易的场所；答辩过程中，偷工减料，压缩程序和时间，随意拔高，互相恭维，更是屡见不鲜。研究生学位论文答辩学风日下，正在成为滋生学术的“重灾区”。
每年五一节过后，开始进入研究生学位论文答辩的高峰期。从五一前夕开始送审论文，到6月中旬答辩基本结束，前后持续近两个月时间。近些年，受各种不良风气的影响，无论是研究生还是研究生导师的学风及至学术道德都呈每况愈下之势，这在研究生学位论文答辩中表现尤为突出。
研究生学位论文答辩非同小可，必须加强管理、严格把关。首先，应把好研究生学位论文送审关，严防“注水”。其次，要把好答辩过程关，严防“缩水”。最后，要把好答辩专家聘请关，严防“放水”。
研究生学位论文是研究生专业学习和科研工作的全面总结，是反映其研究成果、代表其学术水平的重要文献资料，是申请和授予相应学位的基本依据。保证论文质量从选题开始，把好送审关已是最后关口。研究生要对研究成果进行完善，达到最终满意才申请答辩；研究生导师要认真批改审阅，包括论文立论、结构、数据处理、文字、图表、参考文献和打印规范等都合乎要求才同意提交学位管理部门；学位管理部门更是要确保质量，严禁高抬贵手和在送审时帮忙找关系，将注入水分的学位论文提交答辩。很多学校学习先进国家的经验，实行将论文作者和评审专家互相匿名的“双盲”评审和“一票否决制”等措施，值得大加提倡推广。
研究生答辩是一种同行评议方法，当然要请同行专家，这是国际惯例。但答辩专家，尤其是答辩委员会主席必须请学术道德高尚、学术造诣专深、工作认真负责、精力充沛的同行专家，决不能徇私情、作交易；尽量避免集中请那些名气大、交际广的专家，造成这些专家每到答辩高峰期就东西南北满天飞，甚至一天之内辗转好几个城市的高校，哪里有时间静下心来认真审阅学位论文呢？决不给答辩“放水”留下可乘之机。答辩委员会的组成还要注意不同专家在研究领域、研究思路、研究风格和学术流派等方面的合理组合，以防一家之言和“近亲繁殖”。
学位论文答辩是对研究生专业素质和综合能力的全面考察，一般需要经过研究生陈述、专家提问、研究生答辩、答辩委员会合议几个基本程序，每个程序都有严格的'时间和规则要求。答辩委员会要严格履行职责，属于基本程序的“规定动作”绝不“缩水”，应杜绝在不到一天的时间里完成十多个博士生答辩、数十个硕士生答辩的走过场现象；提倡根据学科专业等实际情况设置有创新性的“自选动作”，答辩中有问有答，有辩有议，专家与研究生充分互动，让研究生的素质与能力得到全面深入的检验。
请继续阅读相关推荐：
楼主去图书馆查阅《华北工学院学报》2003年05期 的一篇论文吧 名字叫 带有缺失数据的聚类分析方法 希望对你有帮助 传统的聚类分析方法需要完全数据集,但有些情况下数据是不完全的,即包含缺失数据,这给聚类分析带来了一定的困难.这里给出了一种迭代算法为缺失数据确定一个合理的替补值,构造出一个"完全"的数据集,逐步迭代进行聚类分析,并用实例详细阐述了该方法的步骤.
缺失值填充研究能发论文。
数据缺失在实际中是经常发生的,甚至是不可避免的。造成数据缺失可能是信息(暂时)无法获取或者在操作过程中被遗漏等。数据缺失对数据挖掘的过程和结果都有十分严重的影响。数据缺失可能直接影响到模式发现的准确性和运行性能,甚至导致错误的挖掘模型。
处理有缺失数据的数据集是极端困难的，因为现有的模式发现算法通常假设输入的数据是无缺失的。于是这些可用的模式发现算法和实际数据之间存在一条不可逾越的鸿沟。 缺失数据的处理方法可分为删除元组、缺失数据填充和不处理三大类。
相关知识：
野生的数据经常出现缺失值，这个很好理解，填写表格也经常心浮气躁，有一些内容可能就漏填了，譬如说在性别一栏留下了空白，这就是缺失值。
如果光看机器学习的教程，很容易觉得提供给机器学习的数据应该就像一个一个排列整齐的方阵，都已经蓄势待发准备好接受某个模型的检阅。但在真实的环境中数据更像是Jerrys最爱的奶酪，上面布满了空空洞洞的缺失值。
以上内容参考：百度百科--缺失值
关于实证论文怎么写如下：
前奏
实证的文章首先要有数据，没有数据一切都是虚构。所以，先把数据处理好。处理数据分两个基本步骤，第一为数据清理；第二为数据计算。这里没有统一的标准应当如何处理数据，但有一个基本要求就是做好识别。
技巧是，要么你借用比较成熟的理论模型，由理论模型到计量模型。这样不会有太大的偏差。如果是自己构建计量模型，那么要自己严格按照统计和计量要求做，对模型的假设前提与限制有全面准确的理解。
研究问题
假设所有模型构建、数据分析、稳健性检验都完成了，这个时候你要动笔写论文。在这个阶段，你要做的第一件事情是搞清楚自己在研究什么问题！
其实，确认研究问题应该在处理数据之前，否则你很难想象连问题都不知道，你如何处理庞大的原始数据。我之所以把数据处理放在确定问题之前，主要是基于现实的情况。
方法论
当你有了实证结果又确认了自己的研究问题是不是就万事俱备了呢？不，至少，在这个阶段，你还不能动笔写论文。
你必须要明白，论文的成功不仅仅依靠“完美”的实证结果！任何实证结果都像是大厨做出的菜，一位厨艺高超的师傅可以用普通原料烹制出美味佳肴。所以，“完美”的结果有时候只能蒙外行，却不能欺审稿人。
这里，我强调逻辑推理与阐述问题时的语言流畅性。不要小看这两个问题，用什么样的叙事结构去组织文章很大程度上决定了文章的档次。
在论文主体部分，应当注意，问题的提出和解决必须严格按照逻辑顺序，要有写“小说”的心态，做好铺垫，突出重点，善于总结。时时刻刻注意论文的走向，并且确保读者（甚至是外行）可以通过你的引导轻松抓住文章的重点要点（即使他们未必理解所有经济学术语和计量方法）。
提纲与计划
在解决了数据、论题、方法论之后，你可以开始制定计划。这种计划不是那种空而无物的标题式提纲，必须在每一个段落明确写作目的，明确所用模型（或其他方法）的假设与限制，明确写作的要点。
完成计划初稿后，不要动笔。两天之后修改计划。再两天之后交给其他人修改。一周之后自己再修改，与导师（或者其他有经验的同行）商议定稿。
写作与发表
接下来，按照提纲扩充论文，具体步骤将在下一段中详细展开。论文完成之后，不要立刻修改。等两周，等自己把一些固有想法淡忘之后再复读论文进行第一次修稿。将第二稿给同事修改，返回后再次修改。
严格地说，在大修改之后，应该再次做报告以确认修改是成功有效的。隔一段日子，对论文重新进行修改，定稿。一般论文从初稿写作完成到投递刊物应该有3-6个月。
投递之后，如果通过初审那么一般会要求作者再次修改（一次就刊发的稿子很少很少），那么接下来就是漫长的修改与等待了。
细节与步骤
一般实证论文分为：摘要、引言、理论框架、实证部分、总结五大部分，其中实证部分可以分为数据描述、实证模型、实证结果、稳健性检验。
最后写作摘要和引言，这是惯例。一般应该先写作理论框架，随后可以确定方法，然后解释模型的设定和数据情况，最后报告结果与稳健性结论。
尾声
实证性文章的结果是报告参数，但其实这些参数的具体值并不重要。这话也许很矛盾，既然我们的工作是围绕着参数进行的，为什么具体值又不重要呢？
第一，这些参数解决不了实际问题。它们不是圆周率的pai值，也不是物理中的g值。就算你计算出了一个很重要的参数，又能如何呢？
第二，参数的解读可以帮助我们理解经济学问题或者现象。从这个角度说， 解读比数字本身重要。
第三，由于国别（或者地区）差异，很多参数并不具备普遍性，也很难真正解释世界。不能夸大参数的作用。为了达到某种效果，无限夸大参数估计的力量，会使很多人迷失方向。
做图，对于科技论文而言，图或表的选择，应以表达结果的需要而定。如果强调以精确的数值展示大量的数据，就采用表格形式；如果强调展示结果的分布特征或变化趋势，则采用插图形式。具有明显规律性或变化趋势的数据结果，通常推荐采用图形展示。同时，图表配合使用可让论文的结果显示得更加全面，但应避免同时以图和表的形式重复展示同样的数据。对于一般的结果，也不能在图表和正文的文字描述中重复出现，但对于重要的结果，可以同时在图表和正文的文字描述中展示。发表研究结果是科技论文出版的主要目的，而图和表是展示研究结果的主要形式。图和表各有优势，相互补充。图的特点是直观，可以清晰地反映事物的发展规律或变化趋势，有效地展示复杂结果；表的优势在于准确反映数据大小，方便列举大量的数据或资料，并展示数据的统计学属性，便于定量地了解结果。
实证论文就是实证研究论文，是指研究者亲自收集观察资料，为提出理论假设或检验理论假设而展开的研究。具有鲜明的直接经验特征。其实证研究方法包括数理实证研究和案例实证研究。
它与非实证论文的区别只有一个，就是两者基于的研究方式不同：实证研究依靠对研究对象的系统观察来获得研究本质；非实证研究则是基于思想(idea)、框架(framework)或者思索(speculation)。
实证研究包括两类：
1、数理实证研究
数理实证研究比较适合研究较为复杂的问题。社会经济制度之间存在着极为复杂的相互作用机制，而运用数学计量工具可以将有关影响因素予以固定，从而把握复杂现象之间的内在联系，消除变量内生性、异方差和多重共线性问题。
但数理实证研究对于数据质量相对要求较高，数据录入和操作错误往往会导致错误的分析结果。这就需要研究者在数据录入中保持高度警觉，有意识地避免操作失误。
2、案例实证研究
案例研究可以分为单个案研究和多个案研究。个案研究不仅有助于积累不同广泛而深入的个案资料，形成对于问题的实感，也可以为调查者获得第一手资料，从现实获取灵感源泉。
扩展资料：
实证论文的研究方法，实证研究法的基本步骤：
1、确定所要研究的对象，分析研究对象的构成因素、相互关系以及影响因素，搜集并分类相关的事实资料。
2、设定假设条件。在研究的过程中，研究对象的行为是有其特征所决定，试图把所有复杂因素都包括进去，显然是不现实也不可能的。为此，必须对某一理论所使用的条件进行设定。
当然，假设的条件有一些是不现实的，但没有假设条件则无法进行科学研究。运用实证研究法研究问题，必须正确设定假设条件。
3、提出理论假说。假说是对于现象进行客观研究所得出的暂时性结论，也就是未经过证明的结论。假说对研究对象现象的经验性概括和总结，但还不能说明它是否能成为具有普遍意义的理论。
4、验证。在不同条件和不同时间对假说进行检验，用事实检验其正确与否。检验包括应用假说对现象的运动发展进行预测。
参考资料来源：百度百科-实证研究
1、进行案例的调查、分析。2、发现一个证据，可以证明别人已经提出但的尚未被别人证明过的理论。3、用大样本的数据来证明一种理论。4、进行历史分析或者比较分析。5、研究结论及政策含义。6、论文写作中其他应注意的问题。
扩展：
1 .均衡分析与非均衡分析
简单的说均衡就是数量分析，非均衡就是变量分析。
2，静态分析与动态分析
动态分析需要考虑时间因素，静态不需要考虑，如果你做的是近3-5年的财物数据变化，那么就要考虑动态分析
3 1跟2相结合而产生的静态均衡分析，比较静态均衡分析，动态均衡分析
例如动态均衡分析，就是要在考虑数据分析的基础上考虑时间因素的影响。
4 定性分析与定量分析
研究经济现象的性质以及内在规定性与规律性要用定性分析，而研究经济现象量的关系要用定量分析。
所以，你要看好自己题目研究的主体因素到底是定性还是定量。
①要保证统计方法和计量模型的合理性，即要报告相关检验的结果，以支撑模型和方法选择的合理性。
②围绕假说展开分析，其中至少要做到两点。其一是根据前面提供的假说检验标准展开分析；其二是要从经验和理论角度来审视估计结果。
论文数据方法有多选题研究、聚类分析和权重研究三种。
1、多选题研究：多选题分析可分为四种类型包括：多选题、单选-多选、多选-单选、多选-多选。
2、聚类分析：聚类分析以多个研究标题作为基准，对样本对象进行分类。如果是按样本聚类，则使用SPSSAU的进阶方法模块中的“聚类”功能，系统会自动识别出应该使用K-means聚类算法还是K-prototype聚类算法。
3、权重研究：权重研究是用于分析各因素或指标在综合体系中的重要程度，最终构建出权重体系。权重研究有多种方法包括：因子分析、熵值法、AHP层次分析法、TOPSIS、模糊综合评价、灰色关联等。
拓展资料：
一、回归分析
在实际问题中，经常会遇到需要同时考虑几个变量的情况，比如人的身高与体重，血压与年龄的关系，他们之间的关系错综复杂无法精确研究，以致于他们的关系无法用函数形式表达出来。为研究这类变量的关系，就需要通过大量实验观测获得数据，用统计方法去寻找他们之间的关系，这种关系反映了变量间的统计规律。而统计方法之一就是回归分析。
最简单的就是一元线性回归，只考虑一个因变量y和一个自变量x之间的关系。例如，我们想研究人的身高与体重的关系，需要搜集大量不同人的身高和体重数据，然后建立一个一元线性模型。接下来，需要对未知的参数进行估计，这里可以采用最小二乘法。最后，要对回归方程进行显著性检验，来验证y是否随着x线性变化。这里，我们通常采用t检验。
二、方差分析
在实际工作中，影响一件事的因素有很多，人们希望通过实验来观察各种因素对实验结果的影响。方差分析是研究一种或多种因素的变化对实验结果的观测值是否有显著影响，从而找出较优的实验条件或生产条件的一种数理统计方法。
人们在实验中所观察到的数量指标称为观测值，影响观测值的条件称为因素，因素的不同状态称为水平，一个因素可能有多种水平。
在一项实验中，可以得到一系列不同的观测值，有的是处理方式不同或条件不同引起的，称为因素效应。有的是误差引起的，称做实验误差。方差分析的主要工作是将测量数据的总变异按照变异原因的不同分解为因素效应和试验误差，并对其作出数量分析，比较各种原因在总变异中所占的重要程度，作为统计推断的依据。
例如，我们有四种不同配方下生产的元件，想判断他们的使用寿命有无显著差异。在这里，配方是影响元件使用寿命的因素，四种不同的配方成为四种水平。可以利用方差分析来判断。
三、判别分析
判别分析是用来进行分类的统计方法。我来举一个判别分析的例子，想要对一个人是否有心脏病进行判断，可以取一批没有心脏病的病人，测其一些指标的数据，然后再取一批有心脏病的病人，测量其同样指标的数据，利用这些数据建立一个判别函数，并求出相应的临界值。
这时候，对于需要判别的病人，还是测量相同指标的数据，将其带入判别函数，求得判别得分和临界值，即可判别此人是否属于有心脏病的群体。
四、聚类分析
聚类分析同样是用于分类的统计方法，它可以用来对样品进行分类，也可以用来对变量进行分类。我们常用的是系统聚类法。首先，将n个样品看成n类，然后将距离最近的两类合并成一个新类，我们得到n-1类，再找出最接近的两类加以合并变成n-2类，如此下去，最后所有的样品均在一类，将上述过程画成一张图。在图中可以看出分成几类时候每类各有什么样品。
比如，对中国31个省份的经济发展情况进行分类，可以通过收集各地区的经济指标，例如GDP，人均收入，物价水平等等，并进行聚类分析，就能够得到不同类别数量下是如何分类的。
五、主成分分析
主成分分析是对数据做降维处理的统计分析方法，它能够从数据中提取某些公共部分，然后对这些公共部分进行分析和处理。
在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。
主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。
如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1, F2)=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。
六、因子分析
因子分析是主成分分析的推广和发展，它也是多元统计分析中降维的一种方法。因子分析将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系。
在主成分分析中，每个原始变量在主成分中都占有一定的分量，这些分量（载荷）之间的大小分布没有清晰的分界线，这就造成无法明确表述哪个主成分代表哪些原始变量，也就是说提取出来的主成分无法清晰的解释其代表的含义。
因子分析解决主成分分析解释障碍的方法是通过因子轴旋转。因子轴旋转可以使原始变量在公因子（主成分）上的载荷重新分布，从而使原始变量在公因子上的载荷两级分化，这样公因子（主成分）就能够用哪些载荷大的原始变量来解释。以上过程就解决了主成分分析的现实含义解释障碍。
例如，为了了解学生的学习能力，观测了许多学生数学，语文，英语，物理，化学，生物，政治，历史，地理九个科目的成绩。为了解决这个问题，可以建立一个因子模型，用几个互不相关的公共因子来代表原始变量。我们还可以根据公共因子在原始变量上的载荷，给公共因子命名。
例如，一个公共因子在英语，政治，历史变量上的载荷较大，由于这些课程需要记忆的内容很多，我们可以将它命名为记忆因子。以此类推，我们可以得到几个能评价学生学习能力的因子，假设有记忆因子，数学推导因子，计算能力因子等。
接下来，可以计算每个学生的各个公共因子得分，并且根据每个公共因子的方差贡献率，计算出因子总得分。通过因子分析，能够对学生各方面的学习能力有一个直观的认识。
七、典型相关分析
典型相关分析同样是用于数据降维处理，它用来研究两组变量之间的关系。它分别对两组变量提取主成分。从同一组内部提取的主成分之间互不相关。用从两组之间分别提取的主成分的相关性来描述两组变量整体的线性相关关系。
通过数据进行分析的论文用数据是数学方法。
数据分析方法：将数据按一定规律用列表方式表达出来，是记录和处理最常用的方法。表格的设计要求对应关系清楚，简单明了，有利于发现相关量之间的相关关系。
此外还要求在标题栏中注明各个量的名称、符号、数量级和单位等：根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。
数据分析目的：
数据分析的目的是把隐藏在一大批看来杂乱无章的数据中的信息集中和提炼出来，从而找出所研究对象的内在规律。在实际应用中，数据分析可帮助人们做出判断，以便采取适当行动。数据分析是有组织有目的地收集数据、分析数据，使之成为信息的过程。
这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。
例如设计人员在开始一个新的设计以前，要通过广泛的设计调查，分析所得数据以判定设计方向，因此数据分析在工业设计中具有极其重要的地位。