我正在研究保险数据，其中客户有一个名为customer_no_dependent（客户的受抚养人数量）的字段。它是一个重要的变量（只是它有）。
这个变量有将近 20% 的缺失值。对于插补，我想确定受抚养人数量的代理指标。我尝试了年龄（认为年龄更大的人可能有更多的家属）。我也将其与保费金额相关联，以认为拥有更多受抚养人的人可能拥有更少的可支配收入。因此，低保费支付可能意味着更多的受抚养人。我确实理解人口统计变量不能完全从这种逻辑中取出。
现在，如果有人详细说明，他可以证明我的估算远非完美。在这种情况下我该怎么办？删除那 20% 会是一个正确的解决方案吗？我的数据的 20% 将接近 20 万行，这是大量信息。
我知道，这个问题可以有很多可能的答案。对于如何进行的任何指示，我将不胜感激。
首先：从您的解释中不清楚您是否进行了多重插补。如果不是：请这样做：单一插补可能比简单的完整案例分析更糟糕，并且都可能导致严重偏差的结果。
接下来，如果我理解正确，您的问题是您不知道将哪些变量用作插补模型的协变量。如果您可能的协变量数量（我假设这些是您感兴趣的模型中的其他协变量）是有限的，您可以选择由 MICE（在 R 中）和类似算法提供的非参数类型的插补。
另一种选择是在预测 customer_no_dependent 的模型中使用收缩（LASSO 或类似方法）：这应该为您提供一组可能的预测变量。但请注意，此步骤会引发更多不确定性（您再次重复使用数据），您应该少相信置信区间和 p 值。如果您的关联确实如您所指示的那样强大，那么效果应该可以忽略不计。
如果您确实使用了那种参数和常识诱导的插补机制（例如回归“可信”预测变量）：只需记下这一事实，并提及获得的结果取决于这组额外的假设。
我不知道您是否有 SAS 经验，但我使用 SAS PROCs MI 和 Mianalyze 在几个不同的模型中执行（然后综合）多重插补。建立“插补模型”（这会产生缺失数据的无偏估计，并结合在非缺失数据中发现的不确定性）可能是最困难的任务。插补模型将包括所有或大部分分析变量（即分析模型中的预测变量），以及辅助变量——与因变量、缺失状态或两者相关的其他变量。（注意：您可能希望使用 p < .15 作为第一个阈值。）
然后选择参数，例如迭代次数（在第一次插补之前和迭代之间）、估计方法、采样方法等。当然，在所有这些之前，应该确定导致丢失数据的原因，以及缺失数据是 MCAR（完全随机缺失）、MAR（随机缺失）还是 MNAR（非随机缺失）。解释这些超出了本论坛的范围，但是——如果您不熟悉这些术语——网络上有许多很好的介绍性描述。
根据您的插补模型的候选变量数量，上述操作可能非常耗时；但是，这具有澄清驱动插补的“一线希望”的优势。还有许多很好的诊断工具可以让您评估和比较不同的插补模型。
Mplus 使人们能够更快地完成所有这些工作；基本上，它使用 ML 估计来模拟丢失的状态。您可以在 statmodel.com 上阅读更多相关信息。
我同意单一插补或删除所有缺失的案例可能不是最好的方法，当然，这取决于您的研究问题。如果 SAS 是一种可用的语言，并且您想更详细地讨论这个问题，请发帖。