你做一项收入调查，发现不少人没填收入。软件当然可以补上数字，甚至一次生成几十份“完整”数据。但如果高收入者更不愿回答，空白本身就和那个没被看到的收入有关。此时，程序能填，不代表资料足以告诉你该填什么。
这就是缺失非随机（Missing Not At Random，MNAR）：一项数据是否缺失，仍与其未被观测的值有关。Juha Karvanen 与 Santtu Tikka 的论文把问题往前推了一步。面对 MNAR，不应先问“用哪种插补算法”，而应先问“我想恢复的分布，究竟能不能从现有资料中确定”。论文目前提供的是作者自己的理论论证与模拟结果，材料未说明同行评审状态。
能运行，不等于能识别
多重插补（Multiple Imputation）不是只把每个空格填一次。它会生成多份可能的完整数据，分别分析，再合并结果；不同版本之间的差异，用来反映缺失带来的不确定性。
问题在于，多做几次不会凭空增加信息。如果两套不同的数据生成机制能产生完全相同的已观测资料，却导向不同结论，这个结论就是“不可识别”的。再复杂的模型也只能借助额外假设，从多个可能答案中挑一个。
论文区分了两层对象。目标分布（target law）描述研究者真正关心的数据变量如何共同分布，例如收入、年龄和健康状况之间的关系。完整分布（full law）还把每一项是否缺失的指示变量算进去，也就是不仅解释数据是什么，还解释数据为何出现或消失。
这个区别很关键：最终分析也许只需要目标分布，但常规插补为了给每种缺失情况都填出正确的值，可能需要知道更大的完整分布。换句话说，插补索取的信息，可能比研究问题本身更多。
先查完整分布，再决定怎么填
论文给出的核心结论是：能够对所有缺失模式使用正确条件分布进行插补——作者称为“条件完备插补”（conditionally complete imputation）——当且仅当完整分布可识别。
“当且仅当”划出了一条清楚的边界。完整分布可识别时，理论上可以为每一种缺失组合构造正确的插补规则。MNAR 因而不等于“绝对不能做多重插补”：有些 MNAR 结构中，完整分布仍然可识别。
但这只是存在性结论，不是一键可用的配方。论文明确说，它不负责解决有限样本下如何估计这些分布。分析者仍要选择线性模型、预测均值匹配或随机森林等具体方法，还要决定插补次数和迭代设置。在 MNAR 情况下，插补模型通常还需要手动加入响应指示变量；常用软件未必默认这样做。
反过来，如果完整分布不可识别，就不存在覆盖所有缺失模式的条件完备插补。这里要谨慎理解：论文不是说“所有插补必然有偏”，而是说，在 MNAR、完整分布不可识别，并且方法仍试图实现条件完备插补这几个前提同时成立时，这类方法会产生有偏估计。
有时不必恢复整幅地图
更有意思的情况是：完整分布不可识别，目标分布却可能仍然可识别。好比无法还原每个人为何拒答，却仍有办法估计研究真正关心的变量关系。此时继续强求一份面面俱到的“完整数据”，反而走错了方向。
作者因此提出 factorizable imputation，可译作“可因子分解插补”。它先把目标分布拆成若干可识别的部分，再按特定变量顺序插补。其反直觉之处在于：某个较早变量一旦缺失，后续变量即使已经观测到，也可能先被改成缺失，再重新插补。这样会损失一部分信息，却能把杂乱的缺失状态整理成符合分解顺序的单调模式。
更一般的“条件可因子分解插补”还会先限制到某个子群体，在分析阶段给插补数据加权。权重用来补偿这种筛选，使拆开的分布成分重新组合成目标分布。论文也强调，这不是通用保证：它要求找到满足特定条件的变量分组和排序。变量一多，搜索排序与分区的最坏情况复杂度并非多项式级。
模拟说明了什么
作者用两变量和四变量的图模型展示这套决策方式。模拟数据采用正态变量与逻辑回归响应机制；每个例子生成一百万条观测，重点考察大样本偏差，而不是小样本波动。
在三组完整分布可识别的两变量例子中，加入响应指示变量的多重插补得到无偏估计；忽略响应指示变量的普通插补在这些 MNAR 模拟中始终有偏。在完整分布不可识别、但满足分解条件的例子中，factorizable imputation 得到无偏估计。
四变量实验给出了更清楚的边界：在前三个满足相应条件的例子里，factorizable imputation 无偏，其他比较方法有偏；第四个例子不满足该方法的条件，它也如预期产生偏差，不过按目标分布的识别公式直接估计，结果无偏或接近无偏。材料没有给出可可靠转述的具体偏差数值，因此这些结果只能说明模拟是否符合理论预期，不能据此比较实际应用中的效果大小。
为什么值得关注
这项工作的价值，不只是又提出一种插补方法。它重新安排了分析顺序：先描述自己愿意接受的缺失机制，再检查完整分布能否识别；若不能，再检查目标分布能否通过分解或其他识别公式恢复；只有这些问题回答清楚，才轮到软件和算法。
这也揭示了一个常见盲区：数据表被填满，只是计算流程完成了，不代表统计问题已经有唯一答案。可识别性检查像一道入口审查，把“模型成功运行”和“结论有资料依据”分开。
局限与未知
- 理论假定插补模型设定正确，并暂不处理实际估计中的困难；完整分布可识别，也不自动保证有限样本估计无偏。
- 实验证据来自作者设计的正态—逻辑回归模拟，样本量为一百万。材料未提供真实数据验证，也未给出可供本文引用的具体偏差数值。
- factorizable imputation 的有效性依赖图模型、条件独立关系、变量排序或分区成立。材料不足以独立验证这些假设在现实任务中的适用范围。