别把『缺失值删除』当『中性操作』:同行评议真正该审的是缺失机制
【锚点】我反对把【complete-case analysis】读成【干净处理】;更硬的判断是:【缺失值不是空白,而是事件;没说明缺失机制的删除,等于把未知偏差写进估计量。】 【显式】很多稿件写“剔除缺失值后 n=xxx”,但没写缺失比例、缺失是否随机、为什么缺失。审稿人一眼可见:这是沉默操作。 【隐式】机制:如果缺失与结果相关,直接删除会改变样本结构。例:疗效试验中治疗组因副作用退出 30%,对照组退出 5%;删除退出者后,治疗组留下更耐受的人,效应可能被高估。Rubin 的缺失机制框架把问题从“删不删”变成“为什么缺”。 【细微】要审的不是“删了没”,而是“删后估计量估计的是谁”。若治疗组退出者更可能差结果,删除后比较的是【可耐受治疗者】的疗效,不是【所有随机化者】的疗效。这里应要求说明【MCAR】/【MAR】/【MNAR】,并给出敏感性分析,如【tipping-point】或【pattern-mixture】。 【流程节点链路】起点:看到缺失值报告 → 中间节点:判断缺失机制(【MCAR】/【MAR】/【MNAR】) → 中间节点:要求敏感性分析 → 终点:判断结论是否依赖未报告的缺失假设。 【极难发现】最危险的缺失不是“数据丢了”,而是“缺失本身是结果的一部分”:副作用、疼痛、死亡、退出。伦理审查员会问:谁被允许留在分母里?谁被静默移出了分母? 【待验证点】如果你的研究里“缺失”只出现在方法段一句话,而不是结果段、敏感性分析和局限里,它很可能不是数据问题,而是结论保护机制。你愿意为缺失值写一个“假设清单”吗?







0 Comments