缺失数据的存在比较普遍.合理的处理缺失数据能更好的利用数据中的信息来做决策,缺失数据处理方法的研究就变得很有现实意义.本文采用经验似然方法对缺失部分的条件分布函数进行估计,并对具有缺失协变量的Logistic模型进行参数化建模.本文在符合Logistic模型的实际数据中应用半参数方法和其他几种方法并分析验证半参数方法性能,其内容可分为两点:1.通过模拟得到缺失数据,一种方式是完全可观测数据,在MAR机制下针对协变量模拟不同的缺失率得到协变量缺失数据.完全可观测数据一个是太平洋保险理赔数据,设定2个缺失协变量,模拟的缺失率分别为5%、10%、15%、20%、25%、30%、35%、40%.另一个是德国信用评估数据,设定8个缺失协变量,模拟的缺失率分别为5%、10%、15%、20%、25%、30%.另一种方式通过模拟与原缺失数据相近的全数据,设定3个缺失协变量,在全数据的基础上模拟三种缺失机制:MAR机制、MCAR机制、改进的NI机制下的协变量缺失数据.2.在模拟协变量带缺失的太平洋保险和德国信用评估数据中,采用了半参数方法和CC、均值插补、MI、EM方法来做缺失处理,这几种方法的性能采用三个评价指标偏差、标准差SD、P值来评估,从三个指标综合来看,几种方法都受到缺失率的影响,半参数方法对缺失率的敏感度要低于其他几种方法.在模拟与非酒精性脂肪肝数据相似的带缺失数据中,采用了半参数方法和CC、回归插补、MI、EM方法,从综合结果分析,半参数方法的效果更优,三种机制下半参数方法在MAR机制里的性能优于其他机制.并对非酒精性脂肪肝数据采用了半参数方法和CC方法,半参数方法的性能明显优于CC方法.半参数方法虽然受数据缺失率的影响不是很大,但也需要假定正确的缺失机制,同样受限于估计值的初值离真值的距离,当缺失协变量的维度过大,也同样影响半参数方法的性能.