多重填补

数据缺失机制的分类

• 完全随机缺失
  数据的缺失不依赖任何测量值。
  如受试者因为工作原因从一个地方搬到另外一个地方，远离了原来的研究中心而无法继续试验。
• 随机缺失
  数据的缺失依赖于已经观测到的测量值，而不依赖于未观测到的测量值。
  如受试者在临床试验中因为疗效不好从而退出试验。
• 非随机缺失
  数据的缺失依赖于未观测到的测量值。
  如受试者在之前的访视中一切良好，然而在某次访视后疾病恶化从而退出试验。

当数据缺失是完全随机缺失或者随机缺失的时候，根据现有的试验数据做出的统计推断依然是有效的（尽管不会像完整的数据那么有效）。如果数据缺失是非随机缺失的，根据现有的数据做出的统计推断很有可能会产生偏倚。

数据缺失模式的分类

多重填补（MI）

给每一个缺失值都构造m个填补值，产生m个完整数据集，对每个完整数据集分别使用相同的方法进行处理，得到m个处理结果，再综合这m个结果，最终得到对目标变量的估计。
多重插补并没有试图去通过模拟值去估计每个缺失值，而是提出缺失数据值的一个随机样本，借此估计变量的实际后验分布，这反映了缺失值引起的不确定性。