采用logistic或非参数算法生成MAR缺失数据的方法咨询

1. 原生logit机制实现（零依赖，灵活度最高） #

MAR的核心要求是变量的缺失概率仅与已观测到的其他变量有关，与变量自身的未观测取值无关，完全不需要依赖线性回归做底层，自己写逻辑10行代码就能实现logit形式的MAR生成：

• 先选定需要添加缺失的目标变量，再指定会影响缺失概率的已观测变量，给每个变量设置权重控制影响方向和强度
• 用logit连接函数把观测变量的加权组合映射到0-1的缺失概率区间，再做伯努利抽样生成缺失掩码
• 示例代码：

set.seed(123)
# df为待处理的模拟数据集，目标是给y列添加MAR缺失，缺失概率和已观测的x1、x2相关
intercept <- -1.2 # 调整截距控制整体缺失率，这里大概对应20%左右的整体缺失
w1 <- 0.9 # x1取值越大，y的缺失概率越高
w2 <- -0.6 # x2取值越大，y的缺失概率越低

# 计算每个样本的缺失概率，全程无OLS拟合
miss_prob <- plogis(intercept + w1*df$x1 + w2*df$x2)
# 按概率抽样生成缺失标记
miss_flag <- rbinom(nrow(df), size = 1, prob = miss_prob)
# 赋值NA
df$y[miss_flag == 1] <- NA

你可以自由在加权项里加非线性变换、交互项、分类变量虚拟变量，不受任何线性假设限制。

2. 非参数MAR生成思路 #

如果不想用任何参数化的概率模型，可以直接用这两种完全无模型假设的方法：

• 分位数分层法：把影响缺失的观测变量按分位数切成若干区间，给每个区间预设不同的缺失率，在区间内随机抽取对应比例的样本设为NA。比如把x1按四分位数分成4组，x1最高的组设40%缺失率，次高组20%，次低组10%，最低组5%，全程不需要拟合任何模型，完全满足MAR要求。
• 秩次排序法：把观测变量按取值从大到小排序，按秩次设置递增/递减的缺失概率，比如秩次越高缺失概率越高，只用到变量的排序信息，不需要对变量和缺失概率的关系做参数假设。

3. 现成可调用的函数 #

• missMethods包的MAR生成系列函数：delete_MAR_logistic()直接实现logit机制的MAR生成，delete_MAR_rank()是基于秩次的非参数MAR实现，底层都不依赖OLS线性回归，直接传入数据集、缺失列、相关观测列和缺失率参数就能用。
• simFrame包的naGenerate()函数：支持自定义广义线性模型形式的缺失机制，可以直接指定logit连接函数生成MAR缺失，适合批量模拟场景。
• 最新版mice包的ampute()已经支持method = "logit"参数，会替换默认的线性概率模型，用logit变换计算缺失概率，如果习惯mice的工作流可以直接用这个参数，不需要换工具。

校验提示：生成缺失后建议做简单验证：按已观测变量分组看缺失率是否符合你预设的趋势，同时确认目标变量的缺失和自身取值没有显著相关性，避免误生成MNAR数据。

内容的提问来源于stack exchange，提问作者Damon C. Roberts