缺失值填0还是删掉？90%的医学论文都踩过这个坑

我之前审过一篇论文，数据里7%的患者有缺失值，作者直接用均值填补了。我提了一个意见：为什么用均值填补？作者在回复里说「因为这个变量是正态分布的」。

这个回答完全没有回答到点子上。我又追问：均值填补会压低方差、改变分布，你知道吗？作者第二天又回复：改成多重插补了。

今天把这个话题讲清楚。

⚠️ 先搞清楚：你的缺失值是怎么产生的

处理缺失值的第一步，不是选方法，是搞清楚数据是怎么缺失的。

缺失值的产生机制分三类，搞清楚这个比选方法重要十倍：

• MCAR（完全随机缺失）：缺失与任何变量都无关。勉强可以用列表删除。
• MAR（随机缺失）：缺失只与已观测变量有关，是多重插补的理论基础。
• MNAR（非随机缺失）：缺失与未观测变量有关，最麻烦，需要额外假设。

判断机制靠常识加统计检验，不靠拍脑袋。

图：缺失值处理三分法流程

🌿 三种缺失值处理方法