闫世艳，郭中宁，何丽云，刘保延

（1.中国中医科学院中医临床基础医学研究所 北京 100700；2.中国中医科学院西苑医院 北京 100091）

缺失数据是医学研究中的常见问题，当缺失数据较多时，若不进行处理往往会导致信息损失、降低检验效能导致结果偏倚。在统计分析中，缺失数据的处理是非常重要的内容。处理缺失数据，首先要明确数据的缺失机制。通常将缺失数据机制划分为三类：完全随机缺失（Missing Completely at Random，MCAR）、随机缺失（Missing at Random，MAR）和非随机缺失（Not Missing at Random，NMAR）[1]。不同缺失机制的处理方法不同。对于完全随机缺失，可以忽略缺失数据，即不对缺失数据进行处理，直接应用完整观测到的数据进行分析。目前的统计分析软件中，默认采用的都是这种形式，但实际情况中完全随机缺失的情况非常少见。

大多数的缺失数据处理方法是针对随机缺失机制的，随机缺失数据的处理方法可以分为三大类：直接推导法、填补法和重复抽样法。一般较为常用的是填补法（Imputation），即给每个缺失数据一些替代值，这些替代值称为填补值。根据填补值个数，又可以分为单一填补（Single Imputation，SI）和多重填补（Multiple Imputation，MI）。目前，临床研究中常用的单一填补方法是末次访视观察值向前结转（Last Observation Carried Forward，LOCF），该方法操作简单方便，在国内应用普遍。多重填补是对每一个缺失值用多个可能的值进行多次填补，考虑了缺失值的不确定性，与单一填补相比更为合理，被很多杂志所推荐。非随机缺失时，缺失数据的处理会比较复杂，但也有专门的缺失值处理方法。在上述三种缺失机制下，当假定数据符合随机缺失机制进行填补后，通常需要进行敏感性分析来验证该假定下填补结果的可靠性和稳健性。……