在教育学、社会学和生物医学等领域的研究数据中，总会不可避免的出现缺失数据。而数据的缺失往往会降低有效样本量，削弱检验统计量的效能，导致统计分析的结果产生较大的偏误，甚至会得出错误的结论。因此，如何对缺失数据进行科学的统计分析，在现代统计学中已得到了非常充分的重视。在生物医学、心理学和遗传学等研究领域，人们常常需要处理来自同一个体在不同时间和空间下的重复测量数据，随机效应模型是研究重复测量数据的一个强有力的工具，它能拟合许多较为复杂的数据分布，近年来已经得到了广泛的应用。　　 与以往假设模型中的响应变量服从正态分布或者指数分布不同，本文研究的是带缺失数据的非线性再生散度随机效应模型。引入了缺失数据机制：Logistic回归模型来处理缺失数据，同时结合Gibbs抽样技术和MH算法获得了模型参数、随机效应以及Logistic回归模型中参数的同时贝叶斯估计。最后，用一个模拟研究和一个实际例子来说明上述算法的可行性。