处理缺失数据问题的新策略占用了本专题论著的大部分篇幅。在缺失数据的条件下回顾最大似然估计，即ML估计，他以一个仔细筛选的美国大专院校毕业率的数据为例，解释了插补法的EM算法。后几章超越了ML方法，解释多重插补方法，并讨论了不可忽略的缺失数据。保罗·D·阿利森所著的《缺失数据》是最新的处理缺失数据的精心杰作，几乎所有的统计书籍都很少涉及这个主题。保罗·阿利森也睿智地提醒我们，缺失数据最佳的解决方法是“没有任何最佳解决方法”。但如果你也有这个问题且在寻求补救方法，那么就请阅读本书的内容。

序

第1章 导论

第2章 假设

 第1节 完全随机缺失的

 第2节 随机缺失的

 第3节 可忽略的

 第4节 不可忽略的

第3章 传统的方法

 第1节 成列删除

 第2节 成对删除

 第3节 虚拟变量调整

 第4节 插补

 第5节 总结

第4章 最大似然

 第1节 回顾最大似然估计法

 第2节 有缺失数据的ML

 第3节 列联表数据

 第4节 具正态分布数据的线性模型

 第5节 EM算法

 第6节 EM实例

 第7节 直接ML

 第8节 直接ML实例

 第9节 结论

第5章 多重插补：基本原理

 第1节 单一随机插补

 第2节 多元随机插补

 第3节 在参数估计值中考虑随机变异

 第4节 在多变量正态模型下的多重插补

 第5节 多变量正态模型的数据扩增法

 第6节 在数据扩增法中收敛

 第7节 连续的数据扩增法相对平行的数据扩增法

 第8节 对非正态或类别数据使用正态模型

 第9节 探索分析

 第10节 MI实例1

第6章 多重插补：复杂化

 第1节 MI中的交互作用和非线性

 第2节 插补模型和分析模型之适合性

 第3节 插补中因变量所扮演的角色

 第4节 在插补过程中使用额外的变量

 第5节 多重插补的其他参数方法

 第6节 无参数及部分参数方法

 第7节 连续的广义回归模型

 第8节 线性假设检验和最大似然比检验

 第9节 MI实例2

 第10节 长期的及其他集群数据的MI

 第11节 MI实例3

第7章 不可忽略的缺失数据

 第1节 两种模型

 第2节 Heckrnan的样本选择误差模型

 第3节 形态混合模型的MI。估计

 第4节 形态混合模型的多重插补

第8章 总结与结论

注释

参考文献

译名对照表