适合人群
跨学科科研人员、统计与数据科学学生，以及需要验证分析方案的团队
← AI 科研案例集 / 统计与数据科学
统计与数据科学 · OpenScience 真实对话 · GPT-5.6-sol
缺失数据：多重插补与完整案例分析
用MAR缺失的虚构数据比较完整案例与10次多重插补，展示Rubin合并、诊断与敏感性分析。
1 轮原生对话300例虚构数据插补诊断与模型比较
开始前准备
准备变量定义、主要结局、预期效应或模型输出，并说明训练、验证和数据拆分方式。
你将获得
- 1 轮原生对话
- 300例虚构数据
- 插补诊断与模型比较
- 7 项可查看的项目文件
方法与边界
模型输出只有在数据质量、研究设计和假设成立时才有解释意义，不能只依据显著性或单一指标下结论。
原生会话与文件
直接查看真实使用场景
保留原始用户提问和 Agent 完整回复；公开版本仅移除内部路径、连接信息、凭据、隐藏推理与计费数据。
真实对话｜统计与数据科学｜缺失数据：多重插补与完整案例分析
AI 研伴（OpenScience） · gpt-5.6-sol
用户
请生成一份约300人的虚构教学数据，研究连续暴露、年龄、基线指标与连续结局的关系，并人为设置符合MAR假设的缺失。比较完整案例分析与多重插补后的回归结果，完成缺失模式检查、10次插补、Rubin规则合并、插补诊断和敏感性分析。交付synthetic_missing_data.csv、missingness_summary.csv、model_comparison.csv、imputation_diagnostics.png、missing_data_report_zh.html、run_multiple_imputation.py和validation.txt。请解释MAR只是不可完全验证的假设，不要用均值填补冒充多重插补，也不要把模拟结果解释成真实发现。
AI 研伴（OpenScience） · gpt-5.6-sol
已完成并验证全部交付物：
synthetic_missing_data.csvmissingness_summary.csvmodel_comparison.csvimputation_diagnostics.pngmissing_data_report_zh.htmlrun_multiple_imputation.pyvalidation.txt
关键结果：
- 样本量：300
- 基线指标缺失率：19.3%
- 连续结局缺失率：13.7%
- 完整案例数：208
- 多重插补：10 次随机链式方程插补
- 方法：贝叶斯线性回归参数抽样 + 预测均值匹配（PMM）
- 合并：Rubin 规则
- 敏感性分析：结局缺失值施加 ±0.5 个残差标准差的 delta 调整
- 验证：
13/13 checks passed
报告明确说明：MAR 不能仅凭观测数据完全验证；这些数据和回归结果是虚构模拟，不能解释为真实研究发现。
工具执行细节已脱敏；交付文件保留在右侧。
1 轮原生对话
300例虚构数据
插补诊断与模型比较
继续探索
相关科研案例
统计与数据科学
样本量与效能：研究需要多少样本
从效应差、标准差、α、效能和失访率出发，计算两组试验样本量并比较8种规划情景。
查看真实对话计算机科学
多随机种子基准与消融实验
用多随机种子、配对比较、置信区间和误差分类审计模型改进是否可靠。
查看真实对话金融与经济
公告事件研究与异常收益
设置估计窗与事件窗，计算AAR、CAAR，并检查事件日错位和截面相关风险。
查看真实对话先理解方法，再迁移到自己的研究
常见问题
使用这个案例前，你可能想了解
“缺失数据：多重插补与完整案例分析”适合哪些用户？
跨学科科研人员、统计与数据科学学生，以及需要验证分析方案的团队
复制案例前需要准备什么？
准备变量定义、主要结局、预期效应或模型输出，并说明训练、验证和数据拆分方式。
可以把案例结果直接用于论文或决策吗？
不建议直接照搬。模型输出只有在数据质量、研究设计和假设成立时才有解释意义，不能只依据显著性或单一指标下结论。复制案例后，应使用自己的数据重新运行并逐项核验。
这个案例会占用很多计算资源吗？
不会。公开案例按网页版轻量分析设计；大型原始数据、深度学习、单细胞、空间组学或医学影像任务，建议通过远程计算功能连接自己的服务器。