1. 您是否应该同时估算前后得分或差异得分，取决于您如何分析前后差异。您应该知道，差异分数的分析存在合理的限制（参见 Edwards，1994 年的一篇很好的评论），并且在控制前分数后分析后分数残差的回归方法可能会更好。在这种情况下，您需要估算前分数和后分数，因为这些是您的分析模型中的变量。但是，如果您打算分析差异分数，请估算差异分数，因为您不太可能希望手动计算所有估算数据集的差异分数。换句话说，无论您在实际分析模型中使用什么变量，
2. 同样，我会用转换后的变量进行估算，因为这是您的分析模型中使用的。
3. 向插补模型添加变量将增加插补过程的计算需求，但是，如果你有时间，更多的信息总是更好。具有完整数据的变量可能是解释 MAR 缺失的非常有用的辅助变量。如果使用所有变量导致对插补模型的时间/计算要求太高（即，如果您有一个大数据集），请为每个变量的每个案例的缺失创建虚拟变量，并查看哪些完整变量可以预测逻辑中的这些缺失变量模型——然后在你的插补模型中包含那些特定的完整案例变量。
4. 我不会报告原始（即，按列表删除）分析。如果你的缺失机制是 MAR，那么 MI 不仅会给你增加力量，还会给你更准确的估计（Enders，2010）。因此，MI 的显着影响对于列表删除可能不显着，因为该分析的能力不足、有偏见或两者兼而有之。

参考

小爱德华兹 (1994)。回归分析作为差异分数的替代方法。管理杂志，20，683-689。

恩德斯，CK (2010)。应用缺失数据分析。纽约，纽约：吉尔福德出版社。

以我的经验，SPSS 的插补功能很容易使用，无论是在创建数据集还是在分析和合并生成的插补数据集时。然而，它的易用性也是它的缺点。如果您在统计软件中查看类似的插补函数R（参见例如mice软件包），您会看到更多选项。请参阅Stef van Buurens 网站，以获得对一般多重插补的出色解释（使用或不使用 mouse 包）。

需要注意的是，这些附加选项并非仅适用于高级用户的“豪华”选择，这一点非常重要。为了获得适当的一致性，一些是必不可少的，特定缺失变量的特定模型，特定缺失变量的特定预测因子，插补诊断等等，这些在 SPSS 插补函数中不可用。

至于你的问题：

1. 当您想要保留前后分数之间的关系以及差异（如 jsakaluk 回答）时，估算前后分数并被动替换缺失的差异是合适的。在您的情况下，当您想要构建一个模型时，可能会出现这种情况，其中前后得分的差异作为结果/因变量，基线（前得分）作为（其中一个）预测变量/独立变量。
2. 任何用于替换缺失值的模型都应遵守其假设。这意味着要替换连续变量，您需要遵守线性回归模型的假设（在最简单的情况下）。对于线性回归和大多数其他回归模型，预测变量不需要是正态分布的，但是模型的残差必须是！因此，如果是后者，则可能需要进行一些转换。
3. 请参阅 jsakaluk 的回答。但是请注意，SPSS 使用大量插补，这基本上意味着所有输入的变量都用于替换带有缺失案例的变量。如果您只有一个变量缺失，这没有问题。但是，如果您有多个，这意味着缺少的变量也用于完成其他缺少的变量。这可能不是问题，但在某些情况下，这会产生反馈循环，使您的最终插补值产生偏差。必须通过在整个插补迭代中寻找趋势来检查这一点，而不是“稳定”替换值。
4. 我同意 jsakaluk 对此的回答。如果您因为怀疑选择性缺失而决定“不信任”您的完整数据，并通过使用多重插补技术（我认为这确实是偏差最小）来解决或部分补救，那么您的多重插补结果应该是您的主要结果显示。遗憾的是，经验表明，审稿人或其他感兴趣的人有时也确实希望看到完整的案例分析（所以请随身携带）。