调查数据无回答在抽样调查中经常出现。项目无回答插补法是处理无回答的最主要方法之一,而辅助变量对提高插补值准确度非常重要。合理利用辅助变量不仅可以减小估计量的偏差,而且可以减小估计量的方差。然而,并不是每个辅助变量都能提供关于目标变量的有价值信息,引入重要的辅助变量则会提高无回答项目插补值的准确性。目前国内外许多文献对利用辅助变量能提高插补值准确度讨论较多,但对插补法中如何选择有价值的辅助变量讨论较少。本文研究具有辅助变量择优的二步插补过程,即先筛选出与目标变量相关性高的辅助变量,再建立插补模型估计无回答项目。为考察具有辅助变量择优的二步插补过程的可行性,对辅助变量择优插补法进行模拟,比较不同辅助变量选择方法与不同插补模型组合的插补值准确度,讨论辅助变量择优插补法受无回答率、样本量、误差项和辅助变量间相关性的影响。插补法的模拟过程包括两种情况,基于AIC准则确定辅助变量个数和辅助变量个数给定。变量选择的依据包括相关系数、偏相关系数和逐步回归过程。插补模型包括回归插补、随机回归插补和EM算法。通过模拟得出如下结论。选择与目标变量相关性高的辅助变量且插补模型包含所有重要的辅助变量时,插补值准确度最优。对于辅助变量择优插补法,辅助变量的筛选方法不一样,插补值准确度也不同。当样本量较小且误差项较小时,依据相关系数筛选辅助变量的插补法更好；当样本量较小而误差项较大时,依据偏相关系数和逐步回归过程筛选辅助变量的插补法更好。较小的辅助变量间相关性基本不影响插补值准确度；而较大的辅助变量间相关性会明显影响插补值准确度,尤其在样本量小而无回答率高的情况下,影响程度更明显。对于插补模型选用,当无回答率较低或样本较小时,回归插补的准确度较好；当样本量较大而无回答率较低时,回归插补法和EM插补法的准确度较好。