原文链接：https://www.lianxh.cn/news/4404052e7b336.html

目录

在实证研究中，我们经常会遇到数据缺失的问题。在样本较大的情况下，我们可以删除缺失值，而在样本较小的情况下，缺失值的影响会变得很大，此时，填补数据这项工作就变得相对重要。

本文主要介绍了 Stata 中较为常用的缺失数据处理命令 tsfill 和 ipolate，旨在为大家处理缺失数据问题时提供帮助。

通常，在缺失部分数据的情况下，只要数据量足够大，我们可以将含有缺失值的样本删掉，并且不会对结果产生太大影响。但是，在「样本量小」和「缺失数据多」的情况下，我们简单的删掉数据，会损失较多的信息，并且使得结果有偏。

例如，下表中有 8 个样本，左边为含有缺失值的数据，右边为完整数据，并且左边部分  有 4 个缺失值。当我们删除缺失值时，左边  均值为 39，而右边  均值为 29.75，可以看出二者还是有很大差别的。

原文链接：https://www.lianxh.cn/news/4404052e7b336.html