随机缺失 (MAR) 意味着缺失可以通过您拥有完整信息的变量来解释。这不是一个可检验的假设，但在某些情况下它是合理的还是不合理的。

例如，进行政治民意调查。许多人拒绝回答。如果您假设人们拒绝回答的原因完全基于人口统计数据，并且如果您对每个人都有这些人口统计数据，那么数据就是 MAR。众所周知，人们拒绝回答的一些原因可能是基于人口统计数据（例如，低收入和高收入的人回答的可能性低于中等收入的人），但真的没有办法知道这是否是完整的解释。

所以，问题变成了“它够满吗？”。通常，只要数据不是随机丢失，多重插补等方法比其他方法效果更好。

我不确定这是否正确，但我试图理解它的方式好像有一个 2x2 的可能性矩阵，它不是很对称。就像是：

Pattern  /   Data Explains Pattern

            Yes         No

Yes         MAR        MNAR

No          --         MCAR

也就是说，如果一个变量的缺失存在某种模式并且我们拥有的数据无法解释它，我们就有了 MNAR，但是如果我们拥有的数据（即我们数据集中的其他变量）可以解释它，我们就有了 MAR。如果缺失没有模式，那就是 MCAR。

我可能离这里很远。此外，这使“模式”和“数据解释”的定义保持开放。我认为“数据解释”是指数据集中的其他变量解释它，但我相信你的程序也可以解释它（例如，另一个线程中的一个很好的例子是，如果你有三个测量变量来测量相同的东西，而你的程序是，如果前两次测量结果不一致，则进行第三次测量）。

这对直觉来说足够准确吗，CV？

我也在努力掌握其中的区别，所以也许一些例子会有所帮助。

MCAR：完全随机丢失，这很棒。这意味着不响应是完全随机的。所以你的调查没有偏见。

MAR：随机失踪，情况更糟。想象一下，你要求智商，而女性参与者比男性多得多。幸运的是，智商与性别无关，因此您可以控制性别（应用权重）以减少偏见。

MNAR：不是随机丢失，不好。考虑对收入水平进行调查。再说一次，女性参与者多于男性参与者。在这种情况下，这是一个问题，因为收入水平与性别有关。因此，您的结果将有偏差。不容易摆脱。

你看，目标变量（Y，比如收入）、辅助变量（X，比如年龄）和反应行为（R，反应群体）之间是一个“三角”关系。如果 X 仅与 R 相关，则良好 (MAR)。如果 X 和 R 以及 X 和 Y 之间存在关系，则它是坏的（MNAR）。