如何处理问卷中的缺失数据？

问卷中的缺失数据需要方法上的干预，以保持分析的有效性并减少偏差。通过各种删除或插补技术可以有效管理缺失数据，具体取决于缺失的性质和程度。 适当的处理方法在很大程度上依赖于对缺失数据机制的诊断：完全随机缺失（MCAR）、随机缺失（MAR）或非随机缺失（MNAR），可通过诸如Little的MCAR检验等分析来确定。值得注意的是，应评估缺失数据的比例，因为大量缺失无论采用何种方法都可能危及结果。选择过程涉及权衡取舍：删除方法会导致信息丢失，而单个插补会扭曲可变性，尽管多重插补（MI）在统计上是合理的，但要求计算的复杂性。Rubin的分类法指导着技术选择的原则。 实际步骤始于探索缺失模式和比例。仅在MCAR可信且数据损失最小的情况下，谨慎地应用删除（逐项或成对）。对于MAR数据，优先选择插补：在处理有限的一元缺失时采用均值/众数替代以简化处理，或对有模式的缺失使用回归插补。利用链式方程的多重插补（MICE）生成多个可信的数据集，准确反映不确定性，随后进行合并分析。最后，进行敏感性分析，以评估在不同MNAR假设下的稳健性。在可行的情况下，建议对完整案例进行验证。