由于在教育学、心理学、遗传学、流行病学、公共卫生学、人类基因学、临床医学和经济学等学科领域以及生存分析和可靠性研究中在着大量的缺失数据,所以对缺失数据的处理已经有了相当长的历史了,许多统计学家对此也做出了很多卓有成效的研究。尽管如此,目前对不完全数据的研究大都是假设缺失数据机制为可忽略的。然而,在一些实际问题研究中,我们常常遇见一些数据的缺失与该数据的变量本身存在一定的联系,即缺失数据机制是不可忽略的。近年来,对不可忽略缺失数据的处理,国内外研究者也提出了一些研究方法,如极大似然估计方法、多重填补方法、完全贝叶斯方法及加权估计方程方法等。然而,这些方法和结果都仅仅局限于广义线性模型或一些简单的非线性模型,面对带有不可忽略缺失数据的非线性的复杂模型就显得无能为力了。因此,对这一类课题的研究就显得很有价值和意义。　　 本文将基于前人的研究工作基础上,讨论了带有不可忽略缺失数据的非线性再生散度模型的参数的极大似然估计,并且引进了一种广义模型选择标准-AICQ准则,最后基于EM算法上,还进一步研究了该模型的局部影响分析问题。同时,对数据的缺失机制、处理缺失数据的方法、EM算法、Gibbs抽样、MH算法等也做了相应介绍。最后,缺失数据机制由Logistic回归模型定义,应用EM算法给出了模型参数和缺失机制参数的极大似然估计.模拟研究和实例分析的结果充分说明了该方法的可行性与有效性。