在统计学、社会学和心理学的相关研究中,问卷是经常使用的一种数据获取方式,同时,量表也是经常会出现在相关研究中的一种数据类型。作为能够衡量被试者的观点态度的量表,李克特量表经常在统计学、社会学和心理学相关研究中被使用。由于李克特量表主要衡量人的主观态度或情感,在实际使用时,所获取的数据往往因为各种原因存在缺失或误差,比如若设置的题目较为敏感,被试者可能不愿回答或在回答时故意选择其他选项。获取的李克特量表数据若存在缺失或误差,可能会为后续的研究处理带来阻碍,因此,对李克特量表数据的缺失数据填补和数据误差识别纠正是非常重要的。在目前的研究中,针对已获取的李克特量表数据的处理研究相对较少。大多数的缺失数据填补研究集中于普通的连续型数据或定性数据,主要的方法有传统的均值填补方法、热卡插补方法等和利用机器学习方法的随机森林填补法等。但由于李克特量表数据是特殊的数据,量表中不同项目之间有一定的相关关系,一般的缺失数据填补方法应用于量表数据的填补中是否合适并没有定论。此外,在量表数据的误差识别和处理上,目前只有量表的信度效度检验方法可以对量表设计时的总体误差进行一定的识别,但是并没有针对于量表中某个项目数据的误差识别的研究。本研究首先使用所获取的某单位员工人才画像调查问卷中的公共服务动机量表和职业成长量表数据,设置不同的数据缺失率、项目数和数据量三种不同的量表条件,比较个体均值填补法、项目均值填补法、热卡插补、多重差补法和基于随机森林的缺失数据填补方法的缺失填补结果,对量表数据的最佳缺失数据填补方法进行探究。获得最佳缺失数据填补方法后,本文进一步从不同等级量表数据缺失填补表现方面对不同等级的量表的选择进行研究,从而在缺失数据填补效果方面给出在量表设计时设置何种等级更加合适的建议。在量表数据误差纠正方面,本研究使用所获取的某单位员工人才画像调查问卷中的工作投入量表和岗位适应性量表数据,根据量表中项目之间存在相关关系的特点,提出量表项目数据误差识别的模型,帮助研究者识别收集到的量表数据可能存在的误差。本文研究发现,相比于其他传统的缺失数据填补方法,本文新引入的基于随机森林的缺失数据填补方法在量表数据的填补结果中有整体最优的效果,但当量表数据出现比较极端的现象如缺失率极高、项目数很少时,基于随机森林的缺失数据填补方法的填补效果会变差,且每次填补的结果有较大的波动。在传统的缺失数据填补方法中,多重差补方法表现最好,其在缺失数据填补上的表现仅次于基于随机森林的缺失数据填补方法。且多重差补方法在缺失数据填补后的相关与回归特征上有较强的优势,在面临极端的量表数据形态时,多重差补方法的填补结果要比基于随机森林的缺失数据填补方法更加稳定。不同等级的量表数据在进行缺失填补时在填补的准确性上会有比较大的差异,但在填补结果的总体分布特征、相关与回归特征上的差异相对较小,总体来说5级量表在缺失填补时会有比较好的表现,在实际使用过程中可以考虑设计5级量表或将其他等级量表转化为5级量表后进行处理。在量表数据的误差识别方面,对工作投入量表和岗位适应性量表的实际实验可以证明,本文提出的基于量表中项目之间的相关关系的量表项目数据误差识别方法有比较好的效果,但本文提出的模型仍然存在阈值设置等问题的限制,研究者在实际使用中可以进一步根据此种方法的思想设计类似的模型进行量表项目数据的误差识别。