METHOD · mth_multiple_imputation · v2
Multiple Imputation
多重插补
通过生成多个合理的缺失值补全数据集,并结合各补全数据集分析结果,将缺失值不确定性传递到统计推断。
这是一份有来源的研究方法资料卡,尚未经过领域专家核验。书目核对与方法适用性分别记录,实施前请结合研究设计复核。
方法身份
- 规范名称
- Multiple Imputation
- 别名
- MI、Multiple imputation、多重插补
- 方法族
- Missing-data methods
以上名称和分类来自此版本资料卡,不代表方法之间存在已核验的关系或适用性。
从资料卡到研究设计
编辑整理的设计输入与可能输出;并非平台支持的运行接口、实际分析结果或专家适用性核验。
编辑整理日期:2026-10-10 · 专家适用性尚未核验
核对输入与输出的来源 ↗目标量与分析目的
原分析模型对应的参数/估计量;MI 是缺失数据处理框架而不是独立科学 estimand。
需要准备的输入
- 含缺失的数据、变量类型与缺失模式
- 插补模型、预测矩阵、插补次数及后续分析模型
可能产生的输出
- 多个插补数据集和收敛核对
- 对每个数据集分析后的适当合并估计;不能把一次插补当作确定数据
数据条件
- 存在缺失的数据
- 用于插补模型的观测变量
- 多个插补数据集及与分析模型兼容的合并步骤
识别与适用假设
- 结论取决于缺失机制假设与插补模型;MAR/MNAR 等不能被数据本身自动证明
- 插补模型与分析模型应保持必要兼容性
常见失败
- 只对结果变量做粗糙均值填补却称 MI
- 不把结局/预测因子纳入必要插补模型
- 忽略合并规则与插补间变异
不能支持的结论
- 不能把不可忽略缺失自动变成可忽略
- 单纯增加插补次数不能修复错误插补模型
诊断与核对
- 缺失模式与比例
- 插补模型变量选择
- 插补值分布与观测值比较
- 插补次数和 Monte Carlo error
- MNAR 敏感性分析(需要时)
可比较的替代方法
- IP weighting for missingness
- full-information likelihood
- pattern-mixture / selection models
- complete-case analysis only under justified conditions
来源与参考
- Multiple Imputation for Nonresponse in Surveys
Donald B. Rubin · 1987
独立书目核对只涉及来源身份;不表示本方法全部说明已获专家核验或全文复用授权。
书目身份已独立核对 · 2026-10-07
打开原始来源 ↗
来源链接用于核对。来源可访问不代表已获全文或代码再分发授权。
资料卡记录的来源范围
Publisher page verifies the foundational multiple-imputation framework and treatment of ignorable/nonignorable nonresponse; detailed modern implementation guidance requires additional sources.
对象关系
关系连接明确的对象版本。前置知识指学习或实现知识;搭配关系是编辑建议,尚未统计真实使用频率。
此对象版本尚未收录明确版本的关系。