有一个包含 30 个变量和超过 500 万个观测值的数据集。我们计划使用数据的子样本进行分析。每个变量约有 0.02 - 2.5% 缺失。为此，我计划在 Stata 中进行插补，但我不确定我们是否应该一次或在不同阶段对所有 50 个变量进行插补。
我们将使用 11 个变量来创建子样本。因此，我们计划在此阶段之前使用插补，以便正确应用排除标准。但是，一旦完成，将运行 3 种不同的回归（OLS 和逻辑模型）。所有 30 个变量都将在其中的某个时间点使用。
问题是：是否应在应用排除标准之后对其他变量（未用于排除标准的 19 个变量）进行插补，或者是否应同时对所有变量进行插补（在应用排除之前标准）。
stata 中的命令，hotdeck就是我们要使用的。
你应该先做所有的插补，否则你可能会得到有偏见的结果。
我不知道是什么hotdeck在 Stata 中确实如此，但如果它是一种单一的插补方法（即你得到一个完整/插补的数据集），那么我建议不要这样做。如果算法允许不同的种子创建不同的插补，至少我会建议创建几个完整的数据集。我不知道您选择热甲板的原因是什么，但我一直发现多重插补更优越并且具有理想的统计特性，当某些假设成立时，即数据缺失为 MAR（随机缺失）或 MCAR（完全随机缺失）而不是 MNAR（非随机缺失）。粗略地说，这意味着，对于任何特定变量，如果可以从其他变量中预测缺失数据，或者如果缺失值是简单的随机样本，则多重插补将产生无偏的结果。
由于您已决定依赖 MCAR（完全随机缺失）数据的插补方法，因此我推断您的数据确实是 MCAR。在这种情况下，您应该在应用排除标准后估算缺失值，原因有两个：
上面的警告是基于我的推断，因为你选择了 hotdeck ，所以你有 MCAR 数据。如果我错了，那么：
祝你好运！
参考：