多重插补中辅助变量选择策略的比较

多重插补（MI）是处理缺失数据的常用方法。可将辅助变量加入插补模型以改进 MI 估计。然而，选择哪些辅助变量纳入插补模型并非总是直截了当。纳入过少可能丢弃重要信息，但纳入过多会导致插补模型估计过程收敛出现问题。已有若干数据驱动的辅助变量选择策略被提出。本文通过模拟研究与案例研究，对八种辅助变量选择策略的表现进行全面比较，旨在为 MI 使用者提供实用建议。同时进行了完整案例分析，以及将所有辅助变量纳入插补模型（全模型）的 MI 分析以作对照。我们的模拟研究结果表明，全模型优于所有辅助变量选择策略，进一步支持在可能时采用包容性辅助变量策略。使用最小绝对收缩与选择算子（LASSO）的辅助变量选择是整体表现最好的辅助变量选择策略，在全模型失效时是一种有前景的替代方案。我们应用于案例研究的所有 MI 分析策略均给出了相似的估计。