在以下情况下会出现数据缺失偏差
• 由于研究人员故意遗漏参与者的数据，因此分析中不包括参与者的数据
• 参与者在试验完成前退出或死亡
当数据缺失时，无法对结果做出贡献。
可以使用统计技术对丢失/死亡数据进行补偿，以降低偏倚风险。由于分析的数据不完整，缺失会使结果的真实估计出现偏差。
临床研究需要招募数万至数千名参与者参与研究。在数周到数年的时间里，对被分配到不同研究组的参与者进行不同干预措施、风险因素或暴露对结果影响的比较。
在大多数研究中，参与者会在随访期间回到研究者身边，测量他们的结果。理想情况下，所有参与者都会在每个随访点返回。相反，有些参与者会退出研究，尤其是在参与者众多的试验中。
为什么会有人退出研究？
退出的原因可能与研究无关。例如，参与者可能因时间冲突而无法继续参加研究。
参与者也可能因试验期间接受的干预产生副作用而退出。更严重的情况是，有时参与者会在研究期间死亡。
在所有情况下，如果无法收集到退出研究的参与者的数据，那么在研究分析中可能会遗漏这些数据。另一种情况是，数据可能已经存在，但研究人员忽略了将退出或死亡参与者的数据纳入分析。
无论原因如何，当参与者的数据缺失时，干预措施、风险因素或暴露的效果可能会被低估或高估，从而导致结论出现偏差。
与选择性偏差（即参与者在被纳入研究之前就被排除在外，而他们本不应该被纳入研究）不同，数据缺失偏倚发生在参与者被纳入研究之后。
数据缺失偏差的例子
请看下面几个因数据缺失而导致偏差的假设例子：
1. 一组研究人员在研究晚期癌症患者接受大手术与化疗的效果。在研究过程中，5% 接受手术治疗的患者因手术治疗引起并发症而死亡。在分析结果时，研究人员剔除了死亡的参与者，并比较了手术后未死亡者与接受化疗者的长期死亡率。这项研究的结果和结论会因数据缺失而产生偏差，因为这5%的死亡者被排除在分析之外。
2. 在一项临床前研究中，研究人员比较了药物 A 和药物 B 这两种药物，并考察了它们对小鼠体力活动的影响。在接受药物 A 的小鼠中，约有 2% 的小鼠出现了中毒症状，体力活动大大减少，因此被从研究中剔除。在分析结果时，研究人员排除了这 2% 出现毒性的小鼠。因此，由于被不当排除的小鼠的数据缺失，研究结果和结论存在偏差。
如果一项研究的参与者退出了研究，并且没有提供数据，那么如果从未提供过数据，又怎么会缺失数据呢？在这种情况下，"missing data "并不是字面上的意思，而是指数据 "missing"，比如已经收集到但丢失了。相反，该术语用于表达完整数据集不完整的意思。
为了弥补数据缺失或不完整的问题，研究人员可以使用一种称为意向性分析（ITT）的统计方法，即用其他受试者的数据来替代退出者的数据。通过进行 ITT 分析，在分析结果时可以保持研究组之间的平衡和统计能力（正确拒绝零假设的概率）。保持平衡和统计能力至关重要，因为不平衡的研究可能会使结果偏向于某一组。支持力度不足（underpowered）的研究可能规模太小，无法检测出两组之间的真正差异。因此，研究结论可能不正确。
如何评估缺失数据偏倚
要评估由于数据缺失造成的偏倚，请按照以下步骤：
1. 评估有多少参与者被纳入研究并分配到各组。
2. 在研究结果中，检查分析的参与者人数是否与各组的人数一致。
3. 如果数字相符，则不存在因数据缺失而导致的偏差。
4. 如果人数不匹配，请查看研究人员是否使用了 ITT 分析。他们可能使用了 ITT 分析，但没有在表格和数字中说明每组分析的参与者人数，也没有在结果中反映出来。
5. 如果没有使用 ITT 分析，则存在因数据缺失而导致的偏差，必须谨慎对待结果和结论，因为它们可能会偏离事实真相。
