缺失数据处理策略
两阶段隐私保护缺失数据咨询：AI 先根据你的研究设计生成定制画像脚本（含 MAR 诊断和 Little's MCAR 检验），你在本地运行后粘贴输出，再获取完整处理策略。原始数据全程不离开你的设备。
missing dataimputationMCARMARMNARmultiple imputationdata qualitysensitivity analysisprivacy-firsttwo-phase
使用指南
- 填写研究设计、数据集描述和缺失数据模式（涉及哪些变量、估计缺失比例）。
- 点击 AI Run，AI 会生成适配你数据的画像脚本（R 或 Python）。
- 在本地数据集上运行该脚本，并将输出粘贴回聊天。
- 获取完整的缺失数据策略：推荐方法、实现代码、Methods 段落草稿和敏感性分析方案。
医学科研研究助手
填入研究信息，一键 AI 运行，结果直接展示在对话界面
说明文档
工具定位
这是一个针对临床研究者的两阶段缺失数据顾问。第一阶段：AI 生成研究设计感知的数据数据分析脚本，涵盖变量类型、缺失率、MAR 相关性诊断和研究设计专项检查（RCT 组间平衡、纵向脱失模式、结局分层缺失性）。第二阶段：AI 诊断缺失机制并提供完整策略——不只是方法推荐，而是包含假设、实现代码和敏感性分析的完整决策方案。
缺失数据机制参考
| 机制 | 含义 | 数据分析脚本信号 | 典型处理方法 |
|---|---|---|---|
| MCAR（完全随机缺失） | 缺失与所有变量无关 | Little 检验 p > 0.05，无相关模式 | 完整案例分析或简单插补 |
| MAR（随机缺失） | 缺失依赖于观测变量 | 检测到相关信号 | 多重插补（mice/Amelia）或 IPW |
| MNAR（非随机缺失） | 缺失依赖于缺失值本身 | 无信号，但临床逻辑提示存在规律 | 模式混合模型；必须披露假设 |
内置关键守卫
二元/分类/计数变量不得使用均值或中位数插补。MNAR 数据不得被静默插补——AI 必须列出假设供研究者决策。若任一关键变量缺失率超过 20%，将强制生成影响评估报告，呈现 2–3 种方案的显性权衡。所有澄清问题合并为一条消息发出（禁止逐一追问）。
本工具不会做的事
它生成供您运行的插补代码，不直接进行数据插补。MNAR 无法仅从观测数据中确认——AI 会标注但无法证明。它不能替代统计学家处理复杂的监管提交。
数据隐私
数据分析脚本完全在您的本机运行。粘贴回对话的只有汇总统计数据，原始患者数据不会离开您的电脑。
常见问题