审稿返修 · 2026-07-11

审稿人要求缺失数据敏感性分析：完整案例与结论稳定性怎么答

审稿人要求补缺失数据敏感性分析怎么办？本文区分缺失描述、完整案例、多重插补与稳健性规格，给出真实工具边界、输出解读和返修信模板。

审稿人提出“请说明缺失数据如何处理，并检验结论是否依赖该处理方式”时，真正要回答的不是一句“已删除缺失值”，而是四个问题：哪些变量缺失、缺失发生在什么样本、不同假设下估计是否稳定、剩余不确定性如何影响结论。敏感性分析的目标是暴露结论对假设的依赖，不是找到一套让结果继续显著的数据处理方式。

先把四层证据分开

第一层是缺失规模。按变量报告有效 N、缺失数和缺失比例，并检查关键结局、暴露和协变量的缺失是否集中在某些时间、地区或人群。第二层是缺失模式，至少区分单调缺失与零散缺失，比较完整与不完整记录的可观察特征。第三层才是主分析采用的处理规则，例如完整案例、可用案例、最大似然或多重插补。第四层是敏感性：在若干可辩护的假设和规格下重估同一个目标量，比较方向、数量级和区间，而不是只比较 p 值。

MCAR、MAR、MNAR 是关于数据生成过程的假设，不是软件输出一个 p 值就能永久证明的标签。即使某个缺失机制检验未显著，也不能据此宣布“缺失完全随机”。应结合问卷跳答逻辑、退出原因、测量时间和领域知识说明为何某些变量能够解释缺失概率，以及哪些未观测因素仍可能使 MAR 不成立。

ChatSRS 当前能直接做什么

descriptive 当前会对每个数值变量分别输出 N、最小值、最大值、均值、标准差和中位数。无法转成数值的内容会变为缺失，每个变量按自身非缺失记录计算。因此它适合核对“各变量实际进入描述统计的 N 是否一致”，但不会自动生成缺失模式图、Little's MCAR 检验、缺失概率模型或多重插补数据集。

robustness_test 当前围绕线性回归给出四种规格：基准 OLS、HC1 稳健标准误、因变量和自变量的 1% 缩尾、以及按因变量 IQR 规则排除异常观测的敏感性列。表中显示核心系数、显著性星号、括号内 t、控制变量、N、R²和调整 R²。每个规格会按所需变量处理完整记录，但它不是缺失数据专用模块，更不是多重插补。HC1、缩尾和 IQR 排除解决的也不是缺失机制问题。

**能力边界：**当前注册方法不能自动执行 MICE、多重插补后的 Rubin 合并、MNAR 模式混合模型或 tipping-point 分析。若返修要求这些证据，应在经过验证的专业流程中完成，并保存插补模型、插补次数、随机种子、诊断与合并结果；不能把“准备补做”写成“平台已完成”。

一句话输入与可复核工作流

假设数据包含 outcome、exposure、age、baseline_score 和 region，可以先向 ChatSRS 提交：

分别报告 outcome、exposure、age、baseline_score 的有效 N、均值、标准差、中位数和范围；以 outcome 为因变量、exposure 为核心自变量，控制 age、baseline_score、region，运行基准 OLS 与 HC1、1% 缩尾、IQR 排除的现有稳健性规格。逐列报告 N、核心系数、t、R²，并明确这些是完整记录与异常值规格对照，不是多重插补，也不判断 MAR。

随后建立独立的缺失处理表：主分析若采用完整案例，写清进入模型前后的 N 和排除条件；若采用多重插补，由验证工具建立包含结局、暴露、全部分析协变量、缺失预测变量和必要辅助变量的插补模型。插补后应逐个数据集拟合相同模型，并按 Rubin 规则合并点估计和方差。连续、二元、有序变量应使用匹配的插补模型，不能把类别编码随意当连续量。

输出应该怎么解释

假设完整案例基准系数为 0.24，HC1 规格仍为 0.24，而缩尾后为 0.20，样本 N 从 812 变为 806。这只能说明在当前可观察样本和这几种异常值处理下，方向与数量级相近。它不能证明缺失数据无偏，也不能替代插补分析。若经验证的多重插补合并估计为 0.15，区间更宽，应讨论差异来自样本组成、插补模型还是方差合并，而不是选择其中更显著的一列。

若完整记录与不完整记录在基线得分或地区上差异明显，返修时应说明 MAR 的依据变得更依赖这些变量是否被纳入插补模型。若 MNAR 具有实质可能性，应补充 delta adjustment、pattern-mixture 或其他领域适配的敏感性分析。关键是预先写明变化范围和判断规则，例如“方向是否改变、点估计变化是否超过 20%、结论措辞是否需要降级”，而不是看到结果后重新定义稳定。

返修信模板

感谢审稿人指出缺失数据处理需要更透明。修订稿新增了逐变量有效N与缺失比例，
并比较了完整与不完整记录在可观察基线特征上的差异。主分析采用[处理方式]，
理由为[研究设计与缺失信息]。当前ChatSRS的descriptive与robustness_test仅用于
描述有效N及比较基准/HC1/缩尾/IQR敏感性规格，不被表述为多重插补或缺失机制检验。
多重插补由[经验证工具与版本]完成，共[ ]个插补数据集，按Rubin规则合并。
各规格的估计方向[一致/不一致]、数量级变化为[ ]，因此我们将结论修改为[ ]。
MAR/MNAR仍不可由本次结果证明，剩余限制已在讨论中说明。

容易被忽略的核查点

不要只报总样本的缺失率；模型实际使用的是变量组合后的完整记录，N 可能远低于任一单变量有效 N。不要先用全样本均值填补再回归，这会低估不确定性。不要在插补模型里漏掉最终分析变量，也不要把结局变量机械排除。若数据来自多中心、面板或复杂抽样，插补模型还要保留聚类、时间与权重结构。插补诊断应检查分布、收敛和不合理值，不能只看最终 p 值。

最后，数据字典、缺失编码和跳答规则应先核对。0、999、“不知道”或空字符串是否真的代表缺失，会直接改变有效 N。敏感字段在上传前必须去标识；任何自由文本都要删除姓名、电话、地址、病历号或机构内部编号。只有能够复核的数据处理记录才适合进入返修证据包。

常见问题 FAQ

Q1：ChatSRS 会自动做多重插补吗？

当前上述注册方法不会。它们可描述有效 N 和运行若干回归稳健性规格；MICE、Rubin 合并和 MNAR 敏感性需用经过验证的专门流程。

Q2：完整案例结果与插补结果都显著，就能证明 MAR 吗？

不能。结果一致只说明在两套分析假设下结论接近，不证明缺失机制为 MAR。

Q3：缺失值很多时可以直接删除变量吗？

不能仅按比例机械删除。变量的重要性、缺失原因、测量设计和估计目标都要共同决定，并透明报告后果。

Q4：敏感性分析只比较 p 值可以吗？

不可以。应比较样本 N、估计方向、效应量、区间和实质结论，并预先说明判断稳定性的规则。