1、多重插补的方法假设在数据随机缺失的情况下，用两个或更多能够反映数据本身概率分布的值来填补缺失值的方法。一个完整的多重填补法包括三步：数据填补，计算和汇总。数据填补是关键一步。
2、下面是第一步插补的语句title: this is the 4EF multiple imputation first step;data: file is ptsdmplus文件1.txt;variable: name are ID EF1_1-EF1_8 ;!定义变量名称 USEVARIABLES= EF1_1-EF1_8 ;！定义需要插补的变量 MISSING=ALL(999);！定义插补的缺失值 CATEGORICAL= EF1_1-EF1_8 ;！定义分类变量（假如是连续变量就不需要进行设定data imputation:！这一步是生成插补数据 impute= EF1_1-EF1_8(c);！在分类数据后加上（c） ndatasets=50;！设置插补的次数，默认为5次 save=pstdIMP*.dat;！设置插补后的50个数据集保存文件名，“*”将被数值替代。analysis: type=basic;bseed=79566;chains=1;
3、第二步使用第一步插补的数据集估计并输出汇总结果。title: this is the MI second step:data: file is pstdIMPlist.dat;!将上面差生的数据文件名的*号改成listtype=imputation;variable: name are EF1_1-EF1_8 ;!这个时候是对插补后的数据进行分析，那么就没有ID变量了，此处应注意 CATEGORICAL= EF1_1-EF1_8 ;analysis:estimator=WLSMV;！对于分类的数据我们采用稳健最大二乘法进行估计，假如是连续型的数据，则无需定义，直接默认为ML就行INFORMATION=OBSERVED;！标准误基于观测信息矩阵；MODEL:EF1 BY EF1_1-EF1_8*; EF2 BY EF2_1-EF2_3*; EF3 BY EF3_3-EF3_5*; EF4 BY EF4_1-EF4_4*; EF1-EF4@1;OUTPUT: STANDARDIZED;
