研究说了什么
缺失数据按机制分三类：完全随机缺失，指缺失与任何变量无关；随机缺失，指缺失可以由已观测到的变量解释；非随机缺失，指缺失取决于未观测到的值本身，比如病情恶化的人更可能退出。处理方法各有假定。完整病例分析只保留数据齐全的人，在完全随机缺失下无偏，在随机缺失下通常有偏，且样本缩小、把握度下降。末次观测结转把每个人最后一次记录的值一直填到终点，做法简单，却等于假定此后病情不再变化；在进展性疾病中，它会系统性地低估恶化，还会人为压低标准误，让置信区间显得比实际更窄。多重插补则用回归模型基于已观测变量生成若干套完整数据，分别分析后按鲁宾规则合并，能在随机缺失假定下利用全部信息。混合效应模型重复测量是另一条路，它直接使用所有可用观测，不需要填值，在随机缺失下同样成立，近年被许多监管指南列为首选的主分析。选择哪一种，取决于你对缺失机制的判断，而这个判断无法由数据本身证明。同一种方法在不同机制下的表现，可能从几乎无偏变为严重偏离，因此监管文件通常要求主分析与敏感性分析采用不同假定，再看结论是否一致。
为什么重要
抗衰试验随访长、访视多、对象是老年人，两年内脱落两成并不罕见。若两组脱落比例还不平衡，比如干预组两成半、对照组一成半，任何处理方法的选择都会明显影响结果。设想一种补充剂对虚弱老年人有效，但胃肠不适让部分人退出，退出者的功能状态本来就更差，完整病例分析只留下能耐受、状态较好的人，干预效应会被高估。反过来，若干预无效而副作用导致选择性地流失，完整病例分析也可能把无效做成有效。末次结转的问题在抗衰领域尤其突出：功能指标一旦被冻结在最后一次观测，曲线会变得异常平直，组间差异被压向零，一项有效的干预可能因此显示为无效。样本减少两成，把握度大致从八成降到七成，这还没算上偏倚带来的额外损失。多重插补能把这些人重新纳入分析，但它给出的结果依赖插补模型，若模型里漏掉了预测缺失的关键变量，插补值就会系统性偏离。因此论文应当报告每组脱落的人数、时点与原因，而不是只写一句缺失采用多重插补处理，这些信息决定了读者能否自行判断偏倚的方向。一项大型降压试验曾用混合模型处理随访缺失，同时以多重插补做敏感性分析，两种方法结论接近，结果才被视为稳健。
证据与边界
三类机制中，只有完全随机缺失可以靠比较缺失者与完整者的基线特征来间接支持，随机缺失与非随机缺失都无法用观测数据检验，因为缺失的那部分值本来就没被看到。这正是敏感性分析必要的原因。常用的做法是临界点分析：逐步调整插补模型，假设缺失者的结局比预测值更差，观察结论在哪个点上翻转，并报告这个点是否落在合理范围内。多重插补也依赖模型正确，遗漏了与缺失和结局都相关的变量，插补本身就会带来偏倚，插补次数太少还会让合并后的标准误不稳定。监管指南普遍要求主分析在随机缺失假定下稳健，同时提交至少一项针对非随机缺失的敏感性分析，并完整报告每组的脱落人数、时点与原因。还有一层边界与终点类型有关：连续指标可以用模型直接利用部分观测，二分类结局与时间事件的处理更依赖假定，方法之间的差异也更大。读者若只看到一句采用末次结转，基本可以判断该试验对缺失的处理停留在二十年前；若看到主分析与敏感性分析结论相反，则应把结论视为不确定，在样本量本就不大的抗衰试验里，这种不确定性往往足以改变结论的方向。