在这个数据信息量庞大的时代,许多生物数据、医学数据和经济数据等都存在着空间相关性,故不能直接使用传统的回归模型进行分析,而空间自回归模型正好适用于这种类型的数据建模。然而在实际研究过程中,数据缺失的情况不可避免,许多统计方法被学者们运用到缺失数据问题的处理中,研究发现不一样的插补方法会得到不一样的数据集,从而带来不同的分析结果。针对带有缺失数据的空间自回归模型,本文首先选取了均值插补、随机森林插补、回归插补、k近邻插补、多重插补和对抗生成网络插补（GAIN）六种处理缺失值的方法,对模拟数据设置缺失率为5%、10%、20%、30%、40%五种随机缺失的情况,通过比较插补值以及模型参数估计的平均绝对误差和均方误差研究不同插补方法的效果。研究发现:当单变量缺失的时候,回归插补和GAIN能取得较好的效果;当多变量缺失的时候,GAIN、多重插补和k近邻插补能取得相对较好的效果;随着缺失率的增加,各种插补方法的效果逐渐变差。然后,根据对抗生成网络插补的特性,本文提出了改进的对抗生成网络插补方法,并把这种方法记为GAIN-MUL,通过和其他方法进行对比分析发现:从插补误差来看,GAIN-MUL在缺失率高于20%时能够展现相对较好的效果;从模型参数误差来看,GAIN-MUL也能展现明显的优势。总之这种方法为研究者在处理缺失数据时提供了更多的选择。最后,本文研究了带有成分数据的混合空间自回归模型,同时还考虑了带有缺失的情形,运用回归插补的方法把数据填补完整后再进行参数估计,并通过实验对MLE和2SLS这两种估计方法的有效性进行验证。从实验结果中发现:对于带有成分数据的混合空间自回归模型来说,使用MLE和2SLE都能取得不错的参数估计结果;对于缺失的情况,相比于直接删除有缺失的样本,回归插补之后再进行参数估计得到的效果明显更好。