记录缺东少西，完整病例又寥寥无几，还能怎样估计变量之间的关系？Cho、Kim 与 Berg 于 2026 年 10 月 15 日首次向 arXiv 提交一篇统计方法学预印本，把缺失模式图与分数插补结合起来。它在特定模拟中减少了估计波动，也提醒应用研究者：利用更多残缺记录，仍须付出模型假设的代价。
1
有人漏掉一次随访后又回来，有人只漏问卷甲项，另一些人只漏乙项。这类缺失无法排成从某处开始一路缺下去的顺序，称为非单调缺失。论文原文标注首次提交日期为2026年10月15日，分类包含stat.ME。作者并非重新发明缺失模式图，而是在这一既有框架内提出新的参数化估计程序。
2
图上的节点代表哪些变量被观察到，箭头把观测较多的模式连向观测较少的模式，表达识别缺失机制所需的限制。新方法先估计模式间的相对概率，再将它与统一的完整数据模型结合，通过EM算法与分数插补估计目标量。缺失位置由多种可能取值及其权重参与计算，不同缺失模式共同提供信息。
3
收益主要见于完整记录稀少的模拟。每组500个观测、重复1,000次，在完整率约4%、变量弱关联的情形，估计三项变量同时为1的概率时，分数插补的RMSE为0.04548，逆概率加权为0.07627；数值已由表2乘以100的展示尺度还原。完整率约32%时，部分目标上的差异很小。
低完整率模拟约6%—7%的生成数据出现分层中没有完整病例的情况。作者重新抽取，只保留各层均有完整病例的重复，因此这些结果以该条件为前提，不能直接代表所有稀疏数据。
4
论文以心肌梗死并发症数据演示关联分析，不构成药物疗效的因果证明。对临床随访、社会调查及生态监测中遇到交错缺失、完整记录又少的研究者，它提供了一条可比较的建模路线。
论文的一致性结论依赖正确指定的图、相对概率模型与结果模型，未声称双重稳健。推断把图视为固定，不涵盖用同一批数据选图的不确定性；合理候选图之间需要敏感性分析。这仍是预印本，本文未独立运行代码。作者提供了模拟与实证分析的R代码。