好吧，您还应该考虑到“不知道”至少是某种答案，而不回答是纯粹的缺失值。现在，我们经常在调查中允许“不知道”的回答，以避免强迫人们无论如何都提供回答（这可能会使结果产生偏差）。例如，在全国健康和营养检查调查中，它们的编码不同，但随后从分析中被丢弃。

您可以尝试两种方式分析数据：（1）将“不知道响应”视为特定响应类别，并使用某种多元数据分析处理所有响应集（例如，多重对应分析或混合数据的多因素分析，请参阅FactoMineR包），以及（2）如果它没有对项目分布带来任何扭曲的证据，只需将其与缺失值合并即可。

对于（2），我还建议您检查“不知道”和 MV 是否至少随机缺失（MAR），或者它们不是特定于一个受访者群体（例如男性/女性，年龄阶层， SES 等）。

这取决于您的调查中问题/回答的类型。如果他们喜欢“我喜欢”、“我不喜欢”、“不知道”，chl 会部分回答您的问题。

第一个解决方案是chl的答案。您必须检查“不知道”是否没有隐藏任何内容。您必须分别分析这些值，以查看它是否突出了特定的受访者概况。

我不是要估算，而是...“法国”软件为 MCA 做这件事，...经常考虑 MAR 假设。它假设这些答案是随机分布的（您随机选择另一种响应方式）。

您还可以使用更复杂的方法：如果“喜欢”为 30%，“不喜欢”为 70%，您选择分布在 (0,1) 上的统一随机数，如果您的数字等于或低于 0.3，请选择“喜欢” . 如果您选择介于 0.3 和 1 之间的数字，则选择“不喜欢”。

一种更现代的方法是乘法插补（参见 SAS 中的 MI PROC 和 R 中的鼠标包）。插补非常有效......但它无法重新创建非典型配置文件......

如果您从事教育测试或需要计算分数，请告诉我，我将完成有关分数估计的答案。

参考：

调查中无响应的多重插补，Rubin (1987)。威利。老鼠包：http ://cran.r-project.org/web/packages/mice/index.html 调查方法，Robert M. Groves，Floyd J. Fowler & al。威利。