缺失值是临床试验中偏倚的一个潜在来源,因此,必须尽一切努力完成试验方案中所有有关搜集资料和数据管理的各项要求。事实上,任何试验几乎不可避免地总有缺失值。不过,一个试验,倘若处理缺失值的方法是敏感的,尤其是这些方法在方案中已预先定义了,可以认为是有效的。遗憾的是,尚无一个通用的处理缺失值的方法可供推荐。研究者必须注意分析结果对处理缺失值方法的敏感性。 临床试验中最常见的设计是平行组设计和交叉设计。由于多种因素(试验持续时间、疾病性质、试验药物的疗效和毒性等)的影响,经常会导致病例脱落。忽略在试验中脱落的患者,仅仅基于完成试验的患者进行分析可能导致错误的结论。为了充分利用脱落病例的信息,就要采取有效的措施处理由于病例脱落引起的缺失值问题。目前,对平行组设计中出现的缺失值采用的普遍处理方法是LOCF(Last Observation Carried Forward)原则。但国内外一些统计学家对LOCF原则提出质疑,认为这种方法有它的局限性。而对于交叉设计的缺失值问题,目前尚无一种通用的处理方法。通常当受试者有一阶段的数据缺失时,则把受试者的信息全部剔除,这造成了资源的极大浪费。 20世纪70年代Donald B Rubin首先提出用多重填补(Multiple