统计百科 · 2026-06-24

缺失值怎么处理才符合学术规范？多重插补与FIML完整指南

统计百科：详解缺失值三种机制（MCAR/MAR/MNAR），对比列表删除、均值替代、多重插补MI与FIML的学术规范性，提供可直接套用的APA 7th缺失值报告句式，帮助论文通过审稿人与期刊的方法论审查。

数据收集完发现有缺失值，多数人的第一反应是"删掉不完整的行"或"用均值填上"。这两种做法在十年前勉强过关，但在 APA 7th 时代已被审稿人标记为方法论瑕疵。本文从缺失机制（MCAR/MAR/MNAR）讲起，深入比较四种主流处理方案的学术合规性，并给出可直接复制进论文的 APA 报告句式。

你的缺失值处理被审稿人打回来了吗？

以下是审稿人关于缺失值处理最常见的退稿意见：

"作者使用列表删除法处理缺失值，但未检验缺失机制（MCAR/MAR），结论存在选择偏差风险"
"均值替代会低估标准差，建议改用多重插补或 FIML"
"方法章节未说明缺失数据的比例、分布及处理方式，无法评估结果可靠性"
"Little's MCAR 检验结果未报告，请补充"
"仅 5 次插补不符合当代实践，建议至少 20 次（Bodner, 2008；White et al., 2011）"
"FIML 假设数据为 MAR，但作者未讨论该假设是否成立"

这些问题集中在 APA Publication Manual 第七版及近年方法论文献对"缺失数据处理透明化"的要求。本文只讲一件事：缺失值如何处理、如何报告，才能通过方法论审查。

一、理解缺失机制：MCAR / MAR / MNAR

正确处理缺失值的前提是判断缺失机制。Rubin（1976）将缺失数据机制分为三类，这是所有后续方法选择的基础。

1. MCAR — 完全随机缺失（Missing Completely At Random）

定义：数据缺失与任何变量（包括缺失变量本身和其他观测变量）均无关。

直觉理解：问卷在寄送过程中随机丢失了几页；测量仪器偶发性故障；被试随机漏填某题。

判断方法：Little's MCAR 检验（chi^2 检验，p > .05 支持 MCAR）。

对分析的影响：MCAR 是最理想的情况。此时，列表删除（Listwise Deletion）不会引入偏差，只损失统计功效。

现实概率：真正的 MCAR 在社会科学数据中极少出现，大多数研究者对 MCAR 的声称无法被验证。

2. MAR — 随机缺失（Missing At Random）

定义：数据缺失与其他已观测变量有关，但在控制已观测变量后，与缺失变量本身的值无关。

直觉理解：男性被试更容易跳过情绪类问题（缺失与性别有关，性别已被观测）；低学历被试更容易漏填收入题（缺失与学历有关，学历已被观测）。

判断方法：无法通过统计检验直接证明（MAR 是不可证伪的假设），只能论证其合理性。常见做法是：对有/无缺失值的两组被试比较已观测变量，若差异显著则支持 MAR（而非 MCAR）。

对分析的影响：MAR 下，列表删除会产生有偏估计，多重插补（MI）和 FIML 在此假设下是无偏的，这是它们被推荐的核心原因。

3. MNAR — 非随机缺失（Missing Not At Random）

定义：数据缺失与缺失变量本身的值有关，即使控制所有已观测变量后依然如此。

直觉理解：高抑郁被试更容易不填写抑郁量表；高收入者更倾向于不报告收入；病情严重的患者更可能退出追踪研究。

判断方法：无法通过标准统计检验识别（需要未观测到的信息才能验证），是三种机制中最危险的。

对分析的影响：MNAR 下，MI 和 FIML 的估计仍然有偏。处理 MNAR 需要选择模型（如 Heckman 选择模型、Pattern Mixture Model），超出常规分析范畴，且需在论文中明确讨论局限性。

三种机制对比总结

机制	缺失原因	列表删除	MI / FIML	检验方法
MCAR	与任何变量无关	无偏（仅损失功效）	可行	Little's MCAR 检验
MAR	与其他已观测变量有关	有偏	无偏	无直接检验，论证合理性
MNAR	与缺失变量自身有关	有偏	仍有偏	无法直接检验

二、四种主流缺失值处理方法的学术规范性评级

方法一：列表删除（Listwise Deletion / Complete Case Analysis）

做法：删除任何变量存在缺失的行（完整案例分析）。

优点：操作简单，不引入额外假设，在 MCAR 时无偏。

学术规范性：

MCAR 时：可接受（需报告 Little's MCAR 检验结果）
MAR/MNAR 时：不推荐，可能产生有偏估计，且大幅减少有效样本，损害功效
当缺失率 > 5% 时，大多数审稿人会质疑列表删除的合理性

APA 7th 立场：未明确禁止，但要求说明缺失机制及其对结论的影响。

方法二：均值替代（Mean Substitution）

做法：用变量的均值填充缺失值。

优点：保留了全部样本量，计算简单。

问题：

人为降低方差（所有缺失值都变成了同一个数）
低估标准差，导致标准误偏小、检验结果虚假显著
弱化变量间相关性（插补值之间无变异）

学术规范性：不推荐。APA 7th 及主流方法论文献均明确指出均值替代会引入系统性偏差。即使缺失率极低（< 1%），也建议用 MI 替代均值替代。

方法三：多重插补（Multiple Imputation, MI）

做法：

基于已观测变量，用统计模型为缺失值生成 M 组合理的填补值（通常 M >= 20）
对 M 个完整数据集分别进行目标分析
用 Rubin（1987）组合规则合并 M 次分析结果，同时考虑插补的不确定性

优点：

在 MAR 假设下，参数估计无偏
正确保留了缺失带来的不确定性（置信区间更宽，更诚实）
被 APA 7th、APA 出版咨询委员会及大量方法论期刊明确推荐

关键参数：

插补次数 M：传统建议 5-10 次，现代实践建议 M >= 20（Bodner, 2008; White et al., 2011）；经验法则：M 至少等于缺失数据的百分比
插补模型：应包含目标分析中的所有变量（含因变量、协变量、交互项），以维持充分统计量

学术规范性：强烈推荐。是目前社会科学领域处理 MAR 数据的黄金标准。

方法四：全信息最大似然法（Full Information Maximum Likelihood, FIML）

做法：不填补缺失值，而是在估计模型参数时直接利用每个观测单元的所有可用信息，最大化观测数据的似然函数。

优点：

在 MAR 假设下，参数估计与 MI 同样无偏，且渐近有效（充分利用信息）
无需生成插补数据集，分析流程更简洁
在 SEM（结构方程模型）、CFA（验证性因子分析）等基于似然的框架中原生支持

适用场景：基于最大似然估计的模型（SEM、多层模型 HLM、增长曲线模型等）原生支持 FIML；回归、ANOVA 等频率论框架需要额外步骤实现。

学术规范性：强烈推荐（特别适合 SEM 类分析）。与 MI 效果相当，在模型支持的情况下更为优雅。

四种方法规范性对比

方法	MAR 时无偏	保留不确定性	APA 推荐程度	适用框架
列表删除	否（MAR）/ 是（MCAR）	是	有条件接受	所有
均值替代	否	否	不推荐	所有
多重插补 MI	是	是	强烈推荐	所有
FIML	是	是	强烈推荐	基于似然的模型

三、缺失率多少需要处理？实操判断标准

< 5%：文献中普遍认为影响较小，但仍建议说明处理方式；完全可以用 MI。

5%-20%：必须认真对待，报告缺失机制，使用 MI 或 FIML，并做敏感性分析。

> 20%：需在方法章节详细讨论，缺失机制判断尤为重要；若 MNAR 不可排除，需讨论局限性；MI 仍可用（增大 M），但需额外检验。

> 40%：缺失严重，MI 的表现存在争议，需考虑辅助变量的充分性；建议咨询统计专家并在论文中明确声明局限性。

四、APA 7th 缺失值报告标准句式

以下句式可直接复制进论文方法章节，根据实际情况替换方括号内容。

场景一：报告缺失率 + 机制检验（MCAR）

数据收集完成后，对各变量的缺失情况进行检查。[变量A]的缺失率为 [X]%，
[变量B]的缺失率为 [X]%，总体缺失率为 [X]%。
Little's MCAR 检验结果[不显著，chi^2([df]) = [X.XX]，p = [.XXX]，支持完全随机缺失（MCAR）假设 /
显著，chi^2([df]) = [X.XX]，p < .05，拒绝 MCAR 假设，支持随机缺失（MAR）假设]。

场景二：使用多重插补（MI）的方法章节

数据存在 [X]% 的缺失，Little's MCAR 检验显示缺失非完全随机
（chi^2([df]) = [X.XX], p [值]），故采用多重插补法（Multiple Imputation, MI）
处理缺失数据（Rubin, 1987）。
插补模型包含所有分析变量及辅助变量，生成 [M = 20/50] 个完整数据集，
各数据集独立分析后依 Rubin 组合规则合并结果（Schafer & Graham, 2002）。

场景三：使用 FIML 的方法章节（SEM 类分析）

结构方程模型估计采用全信息最大似然法（Full Information Maximum Likelihood, FIML）
处理缺失数据（Enders & Bandalos, 2001）。
FIML 在随机缺失（MAR）假设下提供无偏参数估计，
并充分利用所有观测信息而无需删除含缺失值的案例。
数据中 [变量A] 的缺失率为 [X]%，[变量B] 的缺失率为 [X]%。

场景四：讨论局限性（MNAR 不可排除时）

本研究采用多重插补处理缺失数据，该方法在随机缺失（MAR）假设下可提供无偏估计。
然而，[变量名]的缺失可能与其自身取值有关（如高[程度]者更倾向于不回答），
即存在非随机缺失（MNAR）的可能性。若缺失机制为 MNAR，
则当前估计可能存在一定偏差，这是本研究的潜在局限之一。
未来研究可通过[纵向追踪/补充调查]等方式进一步验证缺失机制假设。

场景五：敏感性分析报告

为评估缺失数据处理方式对结论的影响，本研究同时对完整案例子样本（n = [X]）
进行了平行分析。两种分析（完整案例 vs. 多重插补全样本）在主要效应的方向、
显著性及效应量上高度一致（附录 B），表明缺失数据处理方式对主要结论无实质影响。

五、在 ChatSRS 一键获得规范缺失值处理报告

打开 chatsrs.com，上传数据后输入：

"检查各变量缺失情况，报告每个变量的缺失率；运行 Little's MCAR 检验；若缺失非 MCAR，使用多重插补（M=20次）处理缺失，插补模型包含所有分析变量；输出完整的 APA 7th 格式缺失数据报告段落，包括缺失率、机制检验结果、插补方法说明。"

如果你的分析是 SEM 或 CFA，可以改为：

"使用 FIML 处理缺失数据，在 APA 7th 格式下报告缺失率、FIML 适用假设及文献引用（Enders & Bandalos, 2001）。"

ChatSRS 将自动运行 R 的 mice 包（多重插补）或调用 lavaan/Mplus 的 FIML 功能，并输出可直接复制进论文的报告段落。

六、多重插补的实施细节：避免常见错误

错误一：插补次数不足

常见错误：M = 5（老教材默认值）。

当前建议：M 至少等于缺失数据的百分比（Bodner, 2008）。例如缺失率 20%，则 M >= 20；缺失率 5%，M = 5 勉强可接受，但 M = 20 更保险。

报告格式：生成 M = 20 个插补数据集（Bodner, 2008），而非"生成 5 个插补数据集"。

错误二：插补模型变量不完整

常见错误：插补模型仅包含有缺失的变量，遗漏了因变量和其他协变量。

正确做法：插补模型必须包含目标分析中的所有变量，包括因变量、所有预测变量、协变量、甚至交互项和非线性项。遗漏变量会使插补模型不充分，违反 MAR 假设的充分条件。

错误三：对已插补数据报告单次分析结果

常见错误：做完插补后，只报告其中某一个插补数据集的结果。

正确做法：对所有 M 个数据集分别分析，用 Rubin 组合规则合并（软件自动完成），报告的是合并后的估计值，置信区间反映插补不确定性。

错误四：插补类别变量时使用连续型方法

常见错误：对二分变量或有序变量使用线性回归插补，导致插补值不合理（如概率值超出 [0,1]）。

正确做法：使用 predictive mean matching（PMM，适合连续变量）、logistic 回归插补（二分变量）或多项式 logistic 插补（名义变量），R 的 mice 包默认会根据变量类型自动选择。

七、FIML 与 MI 如何选择？

两者在 MAR 假设下均可提供无偏估计，选择标准如下：

情境	推荐方法
SEM / CFA / 增长曲线模型	FIML（软件原生支持，更简洁）
回归 / ANOVA / t 检验	MI（更通用，SPSS/R/Stata 均支持）
分析软件不支持 FIML	MI
需要报告插补不确定性	MI（组合结果直接反映不确定性）
缺失率较高（> 20%）	MI（灵活性更高）
简洁性优先 + 基于似然模型	FIML

实际建议：做 SEM 类分析时优先用 FIML，其他情况用 MI。两者结论高度一致时，在论文中说明已用两种方法做了敏感性分析可增强可信度。

常见 FAQ

Q：缺失率很低（< 1%），还有必要用多重插补吗？

A：学术规范上不强制，但建议在方法章节至少说明"各变量缺失率均低于 1%，视为可忽略，采用列表删除（n_final = X），Little's MCAR 检验未显著（chi^2 = X.XX, p = .XXX）"。这样审稿人就不会追问。若你希望保留全部样本量，用 MI 也完全没问题，且能展示方法严谨性。

Q：已经用了列表删除，审稿人要求改用 MI，怎么办？

A：这是常见的小修要求。步骤：(1) 补跑 Little's MCAR 检验；(2) 使用 R 的 mice 包或 Stata 的 mi impute 重新做 MI；(3) 对比 MI 结果与列表删除结果，若结论一致（通常如此），在修改稿中说明"采用多重插补重新分析，主要结论与完整案例分析高度一致（附录 X）"；(4) 更新方法章节的缺失值处理说明。整个过程在 ChatSRS 中可一次完成。

Q：Little's MCAR 检验显著了（p < .05），是不是说明数据有问题？

A：不是"有问题"，只是说明缺失机制不是 MCAR，而更可能是 MAR（或 MNAR）。这在社会科学数据中极为常见，不需要紧张。正确的应对是：(1) 在论文中说明 MCAR 被拒绝，支持 MAR 假设；(2) 论证 MAR 的合理性（哪些已观测变量可能与缺失相关）；(3) 使用 MI 或 FIML 处理缺失值，而非列表删除。

Q：方法章节要引用哪些文献来支撑多重插补的使用？

A：以下是标准引用组合：

Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. Wiley. — MI 方法的奠基文献
Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147–177. — 综述性文献，心理学领域广泛引用
van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67. — 如果使用 R mice 包
Bodner, T. E. (2008). What improves with increased missing data imputations? Structural Equation Modeling, 15(4), 651–675. — 插补次数 M 的依据
Enders, C. K., & Bandalos, D. L. (2001). The relative performance of full information maximum likelihood estimation for missing data in structural equation models. Structural Equation Modeling, 8(3), 430–457. — FIML 的核心引用

快速参考：缺失值报告格式速查卡

[缺失率报告]
[变量名]缺失率 = X%（n = [缺失数]/[总数]）；总体缺失率 = X%

[MCAR 检验]
Little's MCAR: chi^2([df]) = X.XX, p = .XXX
结果：p > .05 → 支持 MCAR；p < .05 → 拒绝 MCAR，支持 MAR

[多重插补报告]
"采用多重插补法（MI; Rubin, 1987）处理缺失数据；
生成 M = 20 个插补数据集（Bodner, 2008），
依 Rubin 组合规则合并分析结果（Schafer & Graham, 2002）。"

[FIML 报告]
"采用全信息最大似然法（FIML; Enders & Bandalos, 2001）处理缺失数据；
该方法在 MAR 假设下提供无偏参数估计。"

[列表删除（仅 MCAR 时）]
"Little's MCAR 检验不显著（p = .XXX），采用列表删除法，
有效样本量 n = [X]（原始 N = [X]，缺失 [X]%）。"