alterlab-missing-data

采用原则性方法处理缺失数据——强制明确声明 MCAR / MAR / MNAR 缺失机制，然后应用链式方程多重插补（MICE）并结合鲁宾规则（Rubin's rules）对估计值和标准误进行合并，或在适用似然/结构方程模型（SEM）的情况下使用全信息最大似然法（FIML）。在 Python 中使用 statsmodels 的 MICE / MICEData，或通过 Rscript 调用领域标准 R 语言 mice 包；同时警告：单一（均值/回归）插补以及 scikit-learn 的 IterativeImputer 仅返回一个完整数据集且未使用鲁宾规则合并，若将其作为多重插补使用会低估标准误。适用于数据集中存在缺失值、选择插补策略或报告缺失值处理方式时。对于完整数据的通用建模，推荐使用 alterlab-statistical-analysis；对于使用 FIML 的潜变量模型，推荐使用 alterlab-sem-psychometrics。属于 AlterLab 学术技能套件的一部分。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本