The article by Joseph L. Schafer and John W. Graham from Pennsylvania State University provides a comprehensive overview of the state of missing data handling in statistical procedures. The authors highlight the improvements in methods for dealing with missing data but also指出了许多常见的误解和不科学的实践。他们澄清了“缺失随机”（MAR）概念的常见误解，总结了旧方法的证据，并强烈建议避免使用这些方法。文章介绍了两种推荐的现代方法：最大似然（ML）和贝叶斯多重插补（MI），并讨论了新发展，包括处理非MAR缺失数据的方法。文章强调了缺失数据在科学研究中的困难，因为大多数数据分析方法并未针对缺失数据设计，处理缺失数据需要克服概念和计算上的挑战。 文章还详细阐述了缺失数据的类型和模式，如单位非响应、项目非响应和波浪非响应，并解释了缺失数据的分布和MAR的概念。MAR假设缺失数据的分布不依赖于缺失的数据值，而MCAR（缺失完全随机）假设缺失数据的分布不依赖于任何数据值。文章通过一个血压测量的例子说明了MCAR、MAR和MNAR（缺失非随机）之间的差异。 文章批评了传统的数据编辑方法，如案例删除和单次插补，指出它们在某些情况下可能产生偏见、低效率和不可靠的结果。相反，文章推荐使用基于所有可用数据的ML估计和贝叶斯MI方法，这些方法在大多数情况下表现良好，即使在MAR假设不完全成立的情况下。 最后，文章讨论了处理非MAR缺失数据的方法，包括选择明确的缺失数据模型，并指出在大多数情况下，即使在MAR假设不完全成立的情况下，ML和MI方法仍然可以提供有效的分析。文章还提到了一些特殊情况，如当缺失数据导致观察对象离开研究范围时，可以将缺失数据视为MAR，并使用这些方法进行分析。The article by Joseph L. Schafer and John W. Graham from Pennsylvania State University provides a comprehensive overview of the state of missing data handling in statistical procedures. The authors highlight the improvements in methods for dealing with missing data but also指出了许多常见的误解和不科学的实践。他们澄清了“缺失随机”（MAR）概念的常见误解，总结了旧方法的证据，并强烈建议避免使用这些方法。文章介绍了两种推荐的现代方法：最大似然（ML）和贝叶斯多重插补（MI），并讨论了新发展，包括处理非MAR缺失数据的方法。文章强调了缺失数据在科学研究中的困难，因为大多数数据分析方法并未针对缺失数据设计，处理缺失数据需要克服概念和计算上的挑战。 文章还详细阐述了缺失数据的类型和模式，如单位非响应、项目非响应和波浪非响应，并解释了缺失数据的分布和MAR的概念。MAR假设缺失数据的分布不依赖于缺失的数据值，而MCAR（缺失完全随机）假设缺失数据的分布不依赖于任何数据值。文章通过一个血压测量的例子说明了MCAR、MAR和MNAR（缺失非随机）之间的差异。 文章批评了传统的数据编辑方法，如案例删除和单次插补，指出它们在某些情况下可能产生偏见、低效率和不可靠的结果。相反，文章推荐使用基于所有可用数据的ML估计和贝叶斯MI方法，这些方法在大多数情况下表现良好，即使在MAR假设不完全成立的情况下。 最后，文章讨论了处理非MAR缺失数据的方法，包括选择明确的缺失数据模型，并指出在大多数情况下，即使在MAR假设不完全成立的情况下，ML和MI方法仍然可以提供有效的分析。文章还提到了一些特殊情况，如当缺失数据导致观察对象离开研究范围时，可以将缺失数据视为MAR，并使用这些方法进行分析。