因为 NA 值可以为您的数据集提供信息，所以您不希望删除 NA 或估算值。如果患者没有接受 X 光检查，他们可能没有骨折。

所以你想从 NA 值中学习。一种常见的方法是为 NA 值添加指示符列。

线性混合效应模型将允许您拥有缺少数据的个人，而无需将所有内容转换为类别。如果您有一个连续变量，请尽可能将其用作连续体。这是一篇论文的链接，该链接详细解释了原因。这不仅适用于心理学家，同样适用，因为论点是基于数学，而不是意见。https://www.researchgate.net/publication/282351876_The_problem_with_categorical_thinking_by_psychologists

如果您有大量已知案例的数据可用于构建模型，请使用逻辑广义线性混合效应模型，即逻辑 GLMM。在 R 中，它位于 lme4 库中，并使用 GLMER 进行调用（广义线性混合效应回归）。您可能还想研究信号检测理论，因为它可能会对您有所帮助。使用逻辑 GLMM，您可以在模型中使用单个患者的信息，它将为您提供他们有/没有结果的几率。请注意仅将相关变量添加到模型中。如果预测变量过多，您的模型将无法很好地推广到未用于拟合模型的新患者。为了解决这个问题，如果你有足够的数据，将其随机分成两个数据集，在一个数据集上拟合模型，然后通过比较 Akaike 信息准则和贝叶斯信息准则来查看它对另一个数据集的预测效果如何。自举也可能对此有所帮助。

GLMM 和 LMM 通常可以很好地处理缺失数据。与传统的逻辑回归不同，LMM 没有相同单元大小的假设。如果有人说 ANOVA/回归对于违反其假设是稳健的，请不要上当，尤其是在像元大小不相等的情况下。他们没有做功课，只是在模仿他们在研究生院听到的东西。数学很清楚。