目的:利用数据模拟技术模拟不同缺失模式和不同缺失率的数据集，比较几种填补方法的优劣，并探讨其适用性。根据其适用性找出适合课题数据的填补方法，为进一步的课题数据分析做准备。方法:单调缺失模式中横断面连续性变量缺失：采用Ad hoc法、回归法（regression method）和趋势得分法(propensity score method)三种方法进行比较。单调缺失模式横断面分类变量缺失：采用Ad hoc法和Logistic回归方法进行比较。任意缺失模式横断面连续性变量缺失：采用期望最大化法（expectation-maximization，EM)、基于链式方程的填补（multiple imputation bychained equations，MICE）和马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,MCMC）三种方法进行比较。纵向数据缺失：采用LOCF（1ast observation carriedforward）法、基于链式方程的填补（MICE）和马尔可夫链蒙特卡罗（MCMC）三种方法进行比较。结果:单调缺失模式中横断面连续性变量缺失：当缺失率较低（<10%）时，Ad hoc法无偏性和有效性较好；当缺失率较大时，回归法具有优势。单调缺失模式分类变量缺失：当缺失率为10%~30%时，logistic回归法填补无偏性和有效性较好；当缺失率>30%时，填补结果不理想。任意缺失模式连续性变量缺失：EM法在不同缺失率时均有较好的填补结果。纵向数据缺失：当数据缺失率较低时采用多重填补中的MCMC模型填补方法，缺失率>50%时，三种方法填补结果均不理想。结论:数据填补时需要根据不同的数据缺失率、不同的数据缺失模式和不同的数据变量缺失类型，选择不同的填补方法。