處理缺失數據問題的新策略占用了本專題論著的大部分篇幅。在缺失數據的條件下回顧*似然估計，即ML估計，他以一個仔細篩選的美國大專院校畢業率的數據為例，解釋了插補法的EM算法。後幾章超越了ML方法，解釋多重插補方法，並討論了不可忽略的缺失數據。保羅·D·阿利森所著的《缺失數據》是*的處理缺失數據的精心傑作，幾乎所有的統計書籍都很少涉及這個主題。保羅·阿利森也睿智地提醒我們，缺失數據*的解決方法是“沒有任何*解決方法”。但如果你也有這個問題且在尋求補救方法，那麼就請閱讀本書的內容。

序第1章 導論第2章 假設 第1節 完全隨機缺失的 第2節 隨機缺失的 第3節 可忽略的 第4節 不可忽略的第3章 傳統的方法 第1節 成列刪除 第2節 成對刪除 第3節 虛擬變量調整 第4節 插補 第5節 總結第4章 最大似然 第1節 回顧最大似然估計法 第2節 有缺失數據的ML 第3節 列聯表數據 第4節 具正態分布數據的線性模型 第5節 EM算法 第6節 EM實例 第7節 直接ML 第8節 直接ML實例 第9節 結論第5章 多重插補：基本原理 第1節 單一隨機插補 第2隨機插補 第3節 在參數估計值中考慮隨機變異 第4節 在多變量正態模型下的多重插補 第5節 多變量正態模型的數據擴增法 第6節 在數據擴增法中收斂 第7節 連續的數據擴增法相對平行的數據擴增法 第8節 對非正態或類別數據使用正態模型 第9節 探索分析 第10節 MI實例1第6章 多重插補：復雜化 第1節 MI中的交互作用和非線性 第2節 插補模型和分析模型之適合性 第3節 插補中因變量所扮演的角色 第4節 在插補過程中使用額外的變量 第5節 多重插補的其他參數方法 第6節 無參數及部分參數方法 第7節 連續的廣義回歸模型 第8節 線性假設檢驗和最大似然比檢驗 第9節 MI實例2 第10節 長期的及其他集群數據的MI 第11節 MI實例3第7章 不可忽略的缺失數據 第1節 兩種模型 第2節 Heckrnan的樣本選擇誤差模型 第3節 形態混合模型的MI。估計 第4節 形態混合模型的多重插補第8章 總結與結論注釋參考文獻譯名對照表