用途：处理数据集中的缺失值，属于分析模块。核心纪律是先声明缺失机制（MCAR/MAR/MNAR），再选用能诚实反映不确定性的方法，即多重插补加 Rubin 规则合并，或 FIML；单次插补会把猜测值当作观测值，低估标准误，不可作为最终分析。
主要能力：区分三种机制及其后果——MCAR 下成列删除无偏但浪费；MAR 下 MI/FIML 有效；MNAR 需选择模型或模式混合模型加敏感性分析。机制是假设且基本不可检验，需说明并论证，可用 mice::md.pattern 检查缺失模式、Little 检验作辅助证据。
使用方式：Python 用 statsmodels 的 MICE，如 mice.MICEData(df) 与 mice.MICE("y ~ x1 + x2", sm.OLS, imp).fit(n_burnin=10, n_imputations=20)；R 用 mice，如 md.pattern(data)、imp <- mice(data, m = 20, method = "pmm")、fit <- with(imp, lm(y ~ x1 + x2))、summary(pool(fit))。FIML 适用于 MAR 下的似然/SEM 模型，潜变量模型应转 alterlab-sem-psychometrics。
插补次数 m：经验上不少于不完整案例百分比，缺失信息比例越高 m 越大，现代建议常取 20–50，需报告 m 与 FMI。
限制与注意：scikit-learn 的 IterativeImputer 只返回单个完整数据集，不按 Rubin 规则合并，官方文档已明确说明，用于推断会低估不确定性；若必须使用可设 sample_posterior=True 并换种子重复后手动合并，但 mice 与 statsmodels MICE 开箱即正确。报告清单需包含机制、方法、合并与 MNAR 敏感性分析。其他事实暂未提供。