我想估算一个自变量的缺失值，比如变量 X1，其他自变量与 X1 的相关性较弱。但是，因变量与 X1 有很强的相关性。
我希望使用 sklearn IterativeImputer 的缺失值估算器，例如 KNN 回归器或 ExtraTreesRegressor（类似于 R 中的 missforest）。
除了自变量之外，我可以使用因变量来估算 X1 的值吗？这会在我的模型中引入太多差异吗？如果不建议这样做，那么应该如何处理 X1，删除 X1 不是一种选择，我担心如果我只用其他 IV 来估算 X1 缺失，估算值会不太准确。
谢谢
【问题讨论】：
标签： scikit-learn statistics data-science missing-data
我对您所指的软件包一无所知。但是，在忽略与因变量的关系的情况下估算变量通常是一个坏主意。这假设这些变量之间没有关系，因此因变量和估算值之间的相关性将偏向于 0。
Graham (2009) 写到：
"事实上，分析模型中的所有变量都必须是 包含在插补模型中。令人恐惧的是，将 DV 包含在 插补模型可能会导致估计重要的偏差 关系（例如，程序变量的回归系数 预测DV）。然而，事实恰恰相反。当 DV 包含在模型中时，所有相关参数估计都是无偏的，但从 IV 和协变量的插补模型中排除 DV 会产生有偏估计。"
希望这会有所帮助。总结一下：
是的，你可以，而且我读过的大部分文献都表明你绝对应该这样做
不，它不应该（你为什么认为这会引入更多的差异？而差异究竟是什么？）。它应该减少变量估计协方差/相关性的偏差。
有关插补的优秀文章，请参阅：
格雷厄姆 (2009)。缺少数据分析：使其在现实世界中发挥作用。 心理学年度回顾, 60, 549-576.
【讨论】：