假设医生会根据病情变化调整用药，而病情记录偏偏缺了几次。研究者想知道：这种治疗平均有没有效果？麻烦在于，缺掉的记录不仅影响我们怎么看病情，也可能改变谁看起来接受了什么治疗。此时，随手把空格补上，或者只分析记录完整的人，都可能把答案推向不同方向。
Ben Swallow、Lars Brestrich 和 Victor Velasco-Pardo 在一项 2026 年 7 月提交至 arXiv 的模拟研究中，专门考察这个问题：当时变混杂与缺失数据同时出现时，不同缺失值处理方法会怎样影响平均处理效应估计。研究覆盖 48 种情景，每种重复模拟 500 次。需要先说明，本文可获得的材料只披露了论文摘要，没有分情景数值、置信区间、代码或完整结果表。因此，下文能讲清比较框架和总体发现，但不能判断差异究竟有多大、是否稳定。
难点不只是“表格里有空白”
这项研究关心的是平均处理效应，也就是 ATE（Average Treatment Effect）：同一目标人群如果全部接受处理，与全部不接受处理，平均结局会相差多少。现实中，一个人只能接受其中一种安排。研究者看不到另一条人生路径，只能依靠研究设计和统计假设，构造那个没有发生的“反事实”。
纵向观察研究让这件事更棘手。所谓时变混杂，是指混杂因素会随时间变化：它既影响下一次是否接受治疗，也影响最终结局，而且还可能被此前的治疗反过来影响。比如，病情变化会影响医生下一步是否加药，也会影响患者的预后；但病情本身又可能因为此前用药而改变。
现在再加入缺失数据。问题就不再是“填哪个数字比较像”，而是“为什么这个数字没有被记录”。如果缺失可以由已经观测到的信息解释，通常更容易校正；如果未记录的真实值本身会影响它是否缺失，也就是 MNAR（Missing Not At Random，非随机缺失），单靠现有数据往往无法识别缺失背后的规律。
四种补法，放进同一套压力测试
研究者生成合成数据，在 48 种情景下改变四类因素：缺失机制、缺失比例、缺失发生的位置，以及样本量。缺失被放入处理变量和结局变量中。这里的“位置”很重要：少了一次治疗记录，与少了最终结局，并不是同一种信息损失。
研究比较了四种常见做法：
-
Stratified hot deck imputation（分层热卡插补）：先把相似记录分组，再从同组已有记录中找一个值填入。
-
Single mode imputation（单次众数插补）：用最常出现的类别填补缺失值。做法直观，但每个空格只得到一个固定答案。
-
MICE（Multiple Imputation with Chained Equations，链式方程多重插补）：通过一组相互连接的模型，多次生成可能的完整数据，再综合多次分析结果。它承认缺失值存在不确定性，而不是假装自己恢复了唯一真值。
-
Complete-case analysis（完整案例分析）：只保留所有相关变量都不缺失的记录，其余样本不进入分析。
插补并不是把丢失的真值找回来。它只是根据已观测数据填入一个或多个合理值。如果模型遗漏了时间顺序、治疗史或缺失原因，偏差仍会一路进入最终的因果估计。
完成缺失值处理后，研究使用 logistic regression（逻辑回归，一种估计二元结果概率的模型）结合 propensity score weighting（倾向评分加权）估计 ATE。倾向评分可以理解为：根据已有特征，估计每个人接受处理的可能性，再通过加权让处理组和未处理组更可比。
研究用三类指标评价结果。Coverage（覆盖率）看区间估计在重复实验中有多少次包含真实效应；absolute bias（绝对偏差）看估计值离真实值多远；empirical standard error（经验标准误）看重复模拟所得估计有多大波动。
真正决定结果的，是“为什么缺”和“怎么补”
据论文摘要汇总，性能主要由缺失机制和处理方法驱动。MICE 总体上取得了更好的覆盖率和更低的偏差。这个结论有方法推荐意味，但摘要没有说明它好多少，也没有证明它在全部 48 种情景中都占优。因此，更准确的理解是：在这套合成数据设定里，MICE 的总体表现较好，而不是“MICE 在时变混杂下总是最佳”。
缺失发生的位置同样重要。这提醒我们，缺失数据不能只用一个总比例概括。两份数据都可能缺失 20%，但如果一份主要缺治疗记录，另一份主要缺结局，最终估计受到的影响可能不同。论文摘要没有给出各位置对应的具体结果，因此还无法进一步比较。
研究还报告，缺失比例和样本量主要影响 positivity violations（正值性违背）。正值性要求：在研究关心的各种特征组合下，人们都要有接受和不接受处理的可能。如果某类人几乎必然接受某种处理，就很难从数据中找到可比对象。模拟中的正值性问题在 MNAR、高缺失率和小样本情景下最明显。不过，这只是该模拟设置中的联系，不能写成适用于所有研究的普遍规律。
摘要还称，倾向评分模型能够较充分地控制轻度至中度混杂造成的 exchangeability violations（可交换性违背）。可交换性要求，在完成调整后，处理组与未处理组在影响结局的因素上足够可比。强混杂则带来覆盖率的小幅下降。由于摘要没有给出“充分”和“小幅”的数值定义，也没有展示不同情景的例外，这部分只能视为方向性的汇总。
为什么值得关注
真实世界因果分析常把两个问题分开处理：先决定如何填补缺失值，再用一套因果方法估计效果。这项研究的价值，是把两步放回同一个系统里检查。缺失值处理不是分析前的清洁工作。它会改变样本构成、处理概率和可比性，因而可能直接改变 ATE。
48 种情景、每种 500 次重复，也让研究者能观察同一种方法在不同条件下是否稳定，而不是只看一次分析的结果。它提出的核心提醒很朴素：选择缺失值方法时，不能只问“哪个算法常用”，还要问缺失为什么发生、发生在哪里，以及剩余数据是否仍支持处理组与未处理组之间的比较。
局限与未知
-
研究使用合成数据，结论依赖数据生成过程、二元变量设定、缺失机制和倾向评分模型规格，不能直接外推到真实观察性研究。
-
当前材料未提供分情景数值、置信区间、代码或完整结果表，无法判断 MICE 的优势有多大、是否稳定，以及哪些情景可能例外。
-
MNAR 通常不能仅凭观测数据验证。相关模拟结果尤其依赖研究者预先设定的缺失规律，而这套规律与真实世界是否吻合，摘要没有回答。