【浙中大郑老师撰写的”统计杂谈“系列文章】
现在对医学研究缺失数据填补的问题，很多人都有了一定的思考，有缺失，还是要填补，无论是临床试验、调查研究，无论是前瞻性还是回顾性。
但我们都知道缺失数据填补不能随便填，一个变量，过高比例的缺失，填回去也没有价值。
如果这个变量的信息缺失比例高于多少，就不适合填补呢？10%、20%、30%？？？
这个星期，非常有意思，我看到了几篇文章，居然有 多种种写法，分别真的就是10、20、30%，甚至还有50%。
我们先简单看看原文是怎么描述的：
√文章一：剔除缺失数据超过10%的指标
√文章二：缺失数据超过20%的变量被排除
√文章三：仅分析缺失比例小于30%的协变量
更有甚者，样本中缺失值超过 50% 的特征被舍弃。
我认为的合适处理方法
缺失值的存在不可避免，不同研究团队对此的处理略有不同。但是，如何正确处理缺失值至今没有标准，老郑今天就简单说一下自己的看法，主要谈谈假设，数据是随机缺失的机制下。
习惯上是说20%以内的缺失现象，可以填补，但这个事情又得分几种情况。
（1）如果是开展因果推断研究，分析原因变量与结局变量的因果关联性，则我觉得过高的缺失是不合适的，20%以内合适。
这里又分为两种情况，
如果你是采用传统机械填补缺失，比如均值法、中位数法、末次或者基线随访转结法，则20%都高了，我认为10%以内才行。
如果是利用数据间关联性填补的策略，比如多重填补法，则20%以内或者附近，都可以。
（2）如果是开展构建预测模型的研究，无论是线性法还是非线性的机器学习方法，则对于缺失现象的容忍度要高，因为它追求的不再是因果推断，而是构建一个具有内、外一致性的预测模型。
哪怕你缺失比例高于20%，你进行填补，只要建立的预测模型，在后续的外部验证分析中，能够取得较高的一致性或者结果的稳健性，那你的填补就是合理的。
其实，如果你的模型能够有外部一致性，哪怕你建模的数据是全部是模拟产生的，直接造的，都行。
所以缺失比例取决于你能否用合适的方法进行填补，并获得可靠的模型。
我认为，预测模型，缺失比例在30%的以内变量都可以保留，都可以填补，建议进行外部验证，如果没有，就拿完整病例数据作为外部验证分析。
当然，你全部模拟产生、或者缺失比例过高而填补的数据，容易失真。这样是通不过验证性分析这关了。
个人观点，仅供参考。
-gqWJ.jfif)
