在許多調查研究中,資料收集的不完整性一直是個問題,在資料收集上常常可能因為人為的疏失、調查方法有誤或是受訪者不願意接受調查...等等的原因而導致缺失值(missing data)的產生,此時若不經處理而直接將缺失資料刪去,這樣可能將會流失掉一些重要的資訊,對原始資料的判斷可能也因此出現偏差,導致調查結果失真,此時勢必需要對不完整資料(Incomplete data)進行一些處理。 本研究資料將取自「台灣教育長期追蹤資料庫」 (Taiwan Education Panel Survey,簡稱TEPS) 之第二波高中、高職、五專學生樣本資料調查中,有關高中生基本資料與心理健康題之態度問項資料。針對在不同缺失比例資料之下,進行多種不同的處理方法,包含:整筆刪除(List-wise delete,LD)、使用可用資料(Available case,AC)、Logistic regression逐一填補法、馬可夫鍊-蒙地卡羅演算法(Markov Chain Monte Carlo method,MCMC)以及同時使用馬可夫鍊-蒙地卡羅演算法與Logistic regression法來進行填補...等等7種不同對於缺失值的處理方法進行比較,我們主要將進行因素分析(Factor analysis),比較這些不同處理方法之下的特徵值(Eigenvalue)、因素負荷量(Factor loading)的表現。並且觀察在不同缺失比例資料之下、填補資訊的多寡之下,各種不同處理方法的的優劣。