多重插补 + 合成估计是什么？
多重插补回答的是数据存在缺失时，如何在保留缺失不确定性的前提下完成估计。它不是把缺失值简单填成一个数，而是生成多套合理数据并合并结果。
先用一句话理解
把多重插补想成对缺失答案做几种合理猜测，而不是假装自己知道唯一真值。每套插补数据都会给一个估计，最后把这些估计和插补不确定性一起合并。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 变量有缺失，且缺失机制在可观察变量条件下较可信。 |
| 先不要用在 | 缺失不是随机的关键结果，或缺失比例极高且无法解释。 |
| 最关键的前提 | 插补模型要包含分析模型中的关键变量和预测缺失的变量。 |
| 读表顺序 | 先看缺失模式和插补次数，再看合并估计与总方差。 |
| 论文表述边界 | 多重插补不能修复完全不可观察的系统性缺失偏误。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| 完整案例删除 | 只保留无缺失样本。 | 简单但可能有偏、损失样本。 |
| 单次插补 | 每个缺失填一个值。 | 低估不确定性。 |
| 多重插补 | 生成多套插补并合并。 | 保留插补不确定性。 |
核心直觉和模型公式
Rubin 合并规则
m 套插补结果的合并估计为：
\[\bar{Q}=\frac{1}{m}\sum_{r=1}^{m}\hat{Q}_r,\quad T=\bar{U}+\left(1+\frac{1}{m}\right)B\]
T 同时包含每套数据内部方差和不同插补结果之间的方差。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| m | 插补次数 | 生成的完整数据套数。 |
| Q_r | 第 r 套估计 | 每套插补数据上的参数估计。 |
| U_bar | 内部方差 | 每套估计自身的不确定性平均。 |
| B | 插补间方差 | 不同插补结果之间的差异。 |
| T | 总方差 | 最终推断使用的不确定性。 |
专业使用口径
专业多重插补报告要先描述缺失，再描述插补模型。
| 口径 | 专业写法 |
|---|---|
| 缺失模式 | 报告哪些变量缺失、缺失比例和相关性。 |
| 插补模型 | 列出进入插补的变量。 |
| 插补次数 | m 要足够覆盖缺失不确定性。 |
| 诊断 | 比较观测值和插补值分布，检查异常。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 描述缺失 | 先看缺失比例和模式。 | 不知道缺失怎么来就不能插补。 |
| 2. 判断机制 | MCAR/MAR/MNAR 哪种更可信。 | MI 通常依赖 MAR。 |
| 3. 建立插补模型 | 包含分析变量和缺失预测变量。 | 插补模型太弱会偏。 |
| 4. 多次插补并估计 | 每套数据重复同一分析。 | 不要只用一套填补值。 |
| 5. 合并结果 | 用 Rubin 规则合并系数和方差。 | 不确定性要一起合并。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看缺失表 | 哪些变量缺失多。 | 缺失比例决定风险。 |
| 再看 m | 插补次数是否足够。 | m 太小不稳定。 |
| 然后看插补模型 | 是否包含关键变量。 | 遗漏预测变量会偏。 |
| 最后看合并 SE | 是否反映插补不确定性。 | 单次插补常低估 SE。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把缺失填均值当多重插补 | 错。那是单次粗糙插补。 |
| 插补后只用一套数据 | 错。必须合并多套结果。 |
| 不描述缺失机制 | 不严谨。MI 前提不清。 |
| 用结果变量缺失硬插补主结论 | 风险高。需要特别论证。 |
先看这个案例的结论
- 年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
- 年度效应 SD = 0.0028；效应量之间的异质性。
- 加权回归系数 = 0.0034；svy/权重页的系数对照。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | mi_impute_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
mi set mlong
mi register imputed roa lev cashflow
mi impute chained (regress) roa lev cashflow = $x size growth tobinq, add(20) rseed(20260517)
mi estimate: regress $y $x roa lev cashflow size growth tobinq
export delimited using "$JOB_DIR/mi_impute_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | mi_impute_results.csv | empirical-wizard 对应方法产物 |
| 年度效应均值 | 0.0031 | Meta/SUR 页用年度子样本系数做教学效应量 |
| 年度效应 SD | 0.0028 | 效应量之间的异质性 |
| 加权回归系数 | 0.0034 | svy/权重页的系数对照 |
| Patent Gini | 0.4413 | 不平等分解页的核心分布指标 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告多重插补 + 合成估计，核心输出见 mi_impute_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先判断缺失机制，MCAR、MAR、MNAR 对插补解释完全不同。
- 插补模型应包含分析模型的因变量、解释变量和重要辅助变量。
- 报告插补次数、合并规则和插补后诊断，不能只贴合并回归表。