纵向数据的提出将数据模型研究推到了一个新的领域,纵向数据模型成为统计学在理论研究和实际应用中探究的重要课题。由于纵向数据结合了时间序列数据和横截面数据的特性,不仅体现了样本的时间变化趋势,还将样本的组内差异和组间差异更充分地表示出来。在相关领域的研究中为获得全面的分析需要变换时间和场合对同一对象进行重复观测来获取纵向数据。但由于获取资料所需的时间较长,实验条件变化较多,数据缺失经常发生。医学统计和生物统计的纵向研究中就常会遇到由于被观测个体的身体不适或不便、移居外地或对研究不再感兴趣等原因,不能按照事先规定的时间接受调查；甚至有的会退出研究,造成数据缺失。纵向数据中的数据缺失可能会发生在观测时间内的任一时间点,连续时间变化趋势下的统计分析就会受到影响。数据缺失会破坏数据的完整性,影响数据的可用性,违背数据分析模型的假定,导致相应的统计分析结果出现不同程度的偏差,降低结果的准确性和精度,给研究问题的解释带来困惑,影响整个数据研究工作的质量。在含缺失纵向数据的实际分析中,为简化问题的复杂性,往往采用删除缺失的完整观测数据。这在一定程度上减少了统计分析的样本量,而且是许多统计分析软件处理数据缺失的默认方法。但是,这种方法只有在数据是完全随机缺失,并且缺失单元与其他被观测单元不存在显著差异时才能给出合理的估计结果；否则,可能降低估计量的精度,甚至导致估计量与真值偏离较大,使得统计分析结果出现严重偏差。数据缺失的处理对模型分析具有重要的意义。本文探讨纵向数据缺失的处理方法对分析模型的影响。选取了健康相关生活质量的实际数据(参见Gjeilo等,2008),对删除缺失的完整观测分析结果与数据缺失处理之后的统计分析结果进行了比较。EM算法和链式方程多重插补法的实际结果显示,链式方程多重插补法的效果优于其它插补方法。针对链式方程多重插补的数据集合,给出了纵向数据的几种常用模型的分析结果,并进行了比较分析。结果显示,在处理纵向数据缺失时,插补法可以更合理地利用数据信息。对含插补值数据集合的分析,要依据相应选用的统计模型以得到更合理的统计分析结果。