本书介绍了针对社会科学研究中经常遇到的样本数据缺失的处理方法。样本数据缺失是指样本中出现各种统计变量的缺失，以往研究者喜欢将这种缺失认定为符合缺失的特性，但实际上这一假设并不能符合，往往只能符合缺失的特性，在对这种数据缺失进行处理时，往往会出现删除大量数据导致影响统计结果的问题。本书的主要内容在于介绍了在有缺失数据时如何进行*似然估计的方法。除此之外，本书还对插补的EM算法、多重插补法等方法进行了介绍。并讨论了不可忽略的缺失数据。
序章 导论第2章 假设节 缺失的第2节 缺失的第3节 可忽略的第4节 不可忽略的第3章 传统的方法 节 成列删除第2节 成对删除第3节 虚拟变量调整第4节 插补第5节 总结第4章 似然节 回顾似然估计法第2节 有缺失数据的ML第3节 列联表数据第4节 具正态分布数据的线性模型第5节 EM算法第6节 EM实例第7节 直接ML第8节 直接ML实例第9节 结论第5章 多重插补：基本原理节 单一插补第2节 多元插补第3节 在参数估计值中考虑变异第4节 在多变量正态模型下的多重插补第5节 多变量正态模型的数据扩增法第6节 在数据扩增法中收敛第7节 连续的数据扩增法相对平行的数据扩增法第8节 对非正态或类别数据使用正态模型第9节 探索分析0节 MI实例1第6章 多重插补：复杂化节 MI中的交互作用和非线性第2节 插补模型和分析模型之适合性第3节 插补中因变量所扮演的角色第4节 在插补过程中使用额外的变量第5节 多重插补的其他参数方法第6节 无参数及部分参数方法第7节 连续的广义回归模型第8节 线性假设检验和似然比检验第9节 MI实例20节 长期的及其他集群数据的MI1节 MI实例3第7章 不可忽略的缺失数据节 两种模型第2节 Heckman的样本选择误差模型第3节 形态混合模型的ML估计第4节 形态混合模型的多重插补第8章 总结与结论注释参考文献译名对照表
保罗 D. 阿利森(Paul D. ALLISON) 美州大学社会学教授。于1976年由威斯康辛大学获得博士学位，之后在芝加哥大学及宾州大学作统计学的博士后研究。关于社会科学中的统计方法，他已出版5本书及超过25篇文章。这些作品处理广泛多样的方法，包含线性回归、对数线性分析、logit分析、probit分析、测量误差、不平等测量、缺失数据、Markov processes及事件史分析。
