追踪研究是目前心理学领域逐渐流行的研究方式,不仅能考察个体的变化发展情况,也能揭示变量间的因果关系。但是在追踪数据的收集过程中会产生被试流失的问题,导致缺失数据的产生,对数据分析和结果解释造成影响。目前一些传统的缺失数据处理方法对复杂的缺失机制的处理可能是不合理的、有偏的,需要用到更为完善的缺失数据处理方法,如稳健极大似然估计法、贝叶斯估计法等;而在追踪研究中也有一些特定的模型可以加强对数据建模的有效性。基于此,本研究探讨了较为成熟和完善的几种缺失数据处理方法（即稳健极大似然估计法和贝叶斯估计法）在追踪研究背景下的分析效果,特别地,囊括了一些特有的追踪模型和缺失机制,希望为实证研究者提供如何在不同情况下该选择合适的缺失数据处理方法的建议,从而更加合理的进行数据分析,保证结果的合理性和准确性。本研究包含两个模拟研究和一个实证研究。其中第一个模拟研究是基于传统的三种缺失机制并通过构建潜变量增长模型来探讨稳健极大似然估计法和贝叶斯估计法在不同条件下（缺失机制、缺失比例、样本量和测量次数）处理缺失数据时的表现;第二个模拟研究聚焦非随机缺失机制下的特殊情况,讨论在追踪研究中特有的两部增长模型建模下的估计方法的比较;而实证研究则采用公开的数据库数据（ECLS-K:2011）进行验证,希望将模拟研究的结果推广到真实数据中。研究结果表明,当样本量较小时（50或100样本）,贝叶斯估计法整体表现优于稳健极大似然估计法,此时,稳健极大似然估计法存在估计精度较差、估计准确性不高以及检验力较低的问题。因此,在此条件下应推荐使用贝叶斯估计法。当样本量较大时（300样本及以上）,两种方法在各指标上的估计结果差异较小,同时两种方法的参数估计精度较高、检验力较高。因此,在此条件下,建议选用两种方法中的一种即可。此外,虽然贝叶斯估计法在小样本条件下优于稳健极大似然估计法,但是相比于大样本的条件,贝叶斯估计法在估计精度和估计准确性上仍然存在一些问题,因此,建议样本量在300或以上较为合适,但如果实际条件不允许,建议采用贝叶斯估计法。其次,测量次数较少（3次）时的估计效果不如测量次数多的估计效果,特别是在样本量低于100的条件下。此时,稳健极大似然估计法存在检验力低、精度差、准确性不高的问题,而贝叶斯估计法的估计效果则更稳健、可靠。但是当测量次数较多时,稳健极大似然估计法在整体上的表现要优于贝叶斯估计法。因此,在测量次数较少的条件下应该推荐使用贝叶斯方法,在测量次数较多的条件下推荐使用稳健极大似然估计法。此外,本研究建议追踪研究中保证4次或以上的测量会得到更稳健的参数估计结果。最后,纵观两个模拟研究,在不同的缺失机制、缺失比例条件下,稳健极大似然估计法和贝叶斯估计法都能得到相对稳健的估计效果,此两种方法受缺失机制和缺失比例的影响较小,在实证研究中具有较好的推广性。特别地,通过构建两部增长模型,对缺失数据进行处理所得的结果整体来看偏差更小、精度更高、检验力更好。因此,在追踪研究中,研究者可以采用两部增长模型对未知缺失机制的纵向追踪数据集进行建模,之后再采用参数估计方法进行参数估计,从而得到更加精确的估计结果。