样本流失与数据缺失

当参与者退出实验，或研究人员未能收集到全部计划中的数据时，留下的人可能与退出的人有所不同。这种差异可能让结果出现偏差，无法反映真实效果。例如，如果一项职场培训项目中，积极性最低的员工在最终评估前退出，结果就会显得比实际情况更好。 检查一下：每当你看到研究结果，都问问有多大比例的参与者完成了研究，以及退出的人与留下的人是否有所不同。

实验开始时，随机分组让各组具有可比性。随着研究推进，一些参与者会退出、缺席测量，或提供不完整的数据。关键问题是，这种样本流失是否既与干预有关，也与研究结果有关。如果退出的人与留下的人存在系统性差异，比如病情较重的患者退出医学研究，而较健康的患者留了下来，最终的比较就会出现偏差，因为各组已不再具有可比性。

了解数据为什么缺失，有助于判断问题所在。如果数据完全随机地缺失，比如一份问卷被放错了地方，剩下的样本仍能代表原来的群体。如果数据缺失与已经观察到的特征有关，比如较年轻的参与者更难追踪，研究人员有时可以通过统计方法进行调整。但如果数据是否缺失取决于尚未测得的结果本身，比如抑郁的人更不愿意回答抑郁调查，那么除非作出很强的假设，否则就无法纠正这种偏差。

这种情况出现在许多领域。在教育研究中，学习有困难的学生更可能转学，这可能让某种教学方法显得比实际更有效。在临床试验中，出现副作用的患者可能退出治疗组，而状况良好的患者留下来，从而夸大治疗的益处。在职场研究中，工作投入度高的员工会更充分地参与调查，使满意度指标偏高。当干预组与对照组的退出率不同，或退出原因与所测量的结果有关时，研究结论的有效性受到的威胁最大。

最可靠的防范办法是：无论参与者是否完成研究，都持续追踪他们（意向性治疗分析）；比较退出者与完成者的特征；并开展敏感性分析，检验对缺失数据作出不同假设时，结论会怎样变化。

当结果数据缺失的概率同时取决于分组和真实结果值时，样本流失偏差就会威胁研究结论的有效性。Cochrane 的 RoB 2 偏倚风险评估工具通过三个提示性问题来评估这一点：是否几乎所有参与者都有结果数据，是否有证据表明结果不存在偏差，以及数据缺失是否取决于真实值 [1]。关于缺失数据机制的研究区分了完全随机缺失（MCAR）、在给定已观测数据条件下的随机缺失（MAR），以及非随机缺失（MNAR）；其中，只有 MCAR 和 MAR 允许在不作出很强假设的情况下进行有效推断 [2]。实验各组之间的差异性流失，往往提示存在会扭曲效果估计的 MNAR 机制 [3]。

• Higgins（2019）：样本流失偏差是 RoB 2 工具的五个核心评估领域之一；当结果数据是否缺失同时取决于干预分组和真实结果值时，就会产生偏差，使仅分析数据完整者的方法变得不可靠 [1]。
• Little 与 Rubin（2020）：缺失数据可分为 MCAR（缺失概率与任何数据都无关）、MAR（缺失仅取决于已观测变量）和 MNAR（缺失取决于未观测值）；多重插补等现代方法需要满足 MAR 条件，才能进行有效推断 [2]。
• Salthouse（2019）：在一项涉及近5,000名成年人的认知纵向研究中，65岁以上的退出者在研究开始时的认知功能显著低于继续参与者。这证实了选择性流失的存在，使研究结论的推广范围局限于认知功能较高的人群 [3]。

缺失数据的分类依赖于对未观测值所作的、无法检验的假设——研究人员无法仅凭已观测数据，明确区分 MAR 和 MNAR。即使各组的样本流失率看起来相近，背后的原因也可能存在系统性差异。敏感性分析有所帮助，但无法彻底解决这个根本问题。此外，意向性治疗分析能保留随机分组的好处，却无法消除因数据缺失取决于结果而产生的偏差。多重插补方法虽然复杂，仍然要求 MAR 假设成立，而且模型设定正确。