本书分为三部分，**部分讨论了历史上在三个重要的统计领域中缺失值问题的方法；第二部分对具有缺失值的数据的分析给出系统的方法；第三部分给出了这些方法在各个方面的应用，涉及回归、因子分析、列联表分析、时间序列和抽样调查等。

前言**部分回顾与基本方法**章概论.1.1缺失数据的问题1.2缺失数据模式1.3导致缺失数据的机制1.4缺失数据方法的分类第二章试验中的缺失数据2.1引言2.2完全数据的**的*小二乘解2.3缺失数据的正确的*小二乘分析2.4填充*小二乘估计2.5Bartlett的ANCOVA方法2.6仅使用完全数据方法由ANCOVA获得缺失值的2.7标准差的正确的*小二乘估计和一个自由度的平方和2.8多于一个自由度的*小二乘平方和问题第三章完全个体和可用个体的分析,包括加权方法3.1引言3.2完全个体分析3.3加权的完全个体分析3.4可用个体分析问题第四章单一借补方法4.1引言4.2从预测分布借补均值4.3从预测分布中抽取借补值4.4结论问题第五章借补不确定性的估计5.1引言5.2由单一填充数据集提供有效的标准误差的借补方法5.3用再抽样的借补数据的标准误差5.4多重借补的介绍5.5再抽样方法和多重借补的比较问题第二部分用于缺失数据分析的基于似然的方法第六章基于似然函数的推断理论6.1完全数据基于似然的估计的回顾6.2不完全数据基于似然的推断6.3极大似然以外通常有缺陷的方法：对参数和缺失数据极大化6.4对粗化数据的似然理论问题第七章因子化似然方法,忽略缺失数据机制7.1引言7.2具有一个变量不响应的二元正态数据：ML估计(极大似然估计)7.3二元正态单调数据：小样本推断7.4两个以上变量的单调数据7.5对特殊的非单调模式的因子化问题第八章缺失数据一般模式的极大似然,可忽略不响应的介绍和理论8.1另一种可选用的计算策略8.2EM算法的介绍8.3EM的正步和M步..8.4EM算法的理论8.5EM的推广8.6混合极大化方法问题第九章基于极大似然估计的大样本推断9.1基于信息阵的标准误差9.2无需计算已观测信息矩阵的估计并求逆,产生标准误差问题第十章贝叶斯和多重借补10.1贝叶斯迭代模拟方法10.2多重借补问题第三部分不完全数据分析的基于似然的方法：一些例子第十一章多元正态的例子,可忽略缺失数据机制11.1引言11.2正态下有缺失数据时均值向量和协差阵的推断11.3有限制协差阵的估计11.4多元线性回归11.5一个一般的有缺失数据的重复度量模型11.6时间序列模型问题第十二章稳健估计12.1引言12.2一元样本的稳健估计12.3均值和协差阵的稳健估计12.4t模型的进一步扩展问题第十三章未完全分类的列联表模型,忽略缺失数据机制13.1引言13.2单调多项数据的因子化似然13.3有一般缺失数据模式的多项分布样本的ML和贝叶斯估计13.4不完全分类列联表的对数线性模型问题第十四章有缺失值的正态和非正态混合数据,可忽略缺失数据机制14.1引言14.2一般的位置模型14.3有参数制约的一般的位置模型14.4连续和分类变量混合的回归问题14.5一般的位置模型的进一步扩展问题第十五章不可忽略缺失数据模型15.1引言15.2不可忽略模型的似然理论15.3具有已知不可忽略缺失数据机制的模型：分组的和归并的数据15.4正态的选择模型15.5正态模式混合模型15.6正态重复测量数据的不可忽略模型15.7分类数据的不可忽略模型问题参考文献...