这取决于

1. 缺失数据量（缺失数据的百分比）
2. 缺失数据的类型（MAR、MCAR、NMAR）

根据这篇不错的文章（Tsikriktsis: A review of techniques for treatment missing data in OM survey research, 2005），如果超过 10% 的数据丢失，最好的解决方案是

1. 如果数据是 NMAR（随机非缺失），则进行最大似然插补
2. 如果数据为 MAR（随机缺失），则为最大似然和 hot-deck
3. 如果数据是 MCAR（完全随机缺失），则成对删除、hot-deck 或回归

简而言之：如果您的数据完全随机缺失（MCAR），即缺失值的真实值与观察到的变量具有相同的分布，并且无法从任何其他变量中预测缺失，那么您的结果将是无偏的，但使用效率低下逐个或成对删除。

链式方程的多重插补被许多研究者认为是最好的插补方法。