编辑推荐：
在多响应变量数据集里，缺失值是个大难题。研究人员开展 MIPLS2 算法研究，利用两个数据块间的协方差处理 Y 块缺失值。结果显示，MIPLS2 优于传统方法，能有效解决复杂缺失数据问题，提升预测准确性。
在当今数据驱动的科研时代，各类实验和观测产生了海量数据。然而，数据缺失的问题却如同一颗 “暗雷”，时刻威胁着研究的准确性和可靠性。尤其是在包含多响应变量的数据集中，缺失值的出现更是让科研人员头疼不已。
传统的缺失值填补方法，像简单的变量均值或中位数填补，操作虽然简单，但过于 “粗糙”，完全忽略了数据间潜在的复杂关系，就好比用一块 “万能补丁” 去修补各种漏洞，效果往往不尽如人意。而稍微复杂点的方法，比如基于单一数据块协方差结构的填补，虽然前进了一步，但也只是 “管中窥豹”。当存在两个相互关联的数据块时，它们只盯着一个数据块使劲，另一个数据块里蕴含的丰富信息就这样被无情浪费了。打个比方，这就像是在拼图时，只看着一部分拼图块，对旁边另一堆明显能和它匹配的拼图块视而不见，最终拼出的图案肯定不完整、不准确。
更糟糕的是，这些方法还容易陷入 “协方差牢笼（CoC）” 的困境。在多变量校准场景中，当填补那些相互关联的响应变量缺失值时，如果只依赖块内协方差，就好像给这些变量戴上了 “枷锁”，让它们的预测和填补值被困在一个低维子空间里。这样一来，变量间的真实关系被掩盖，后续分析和预测的可靠性、有效性大打折扣。想象一下，你本来想看清森林的全貌，结果却被一片树叶挡住了视线，还怎么准确判断方向呢？
为了解决这些棘手的问题，来自未知研究机构的研究人员开启了一场科研探索之旅。他们把目光聚焦在如何巧妙利用两个数据块的信息，研发出一种更精准、更可靠的缺失值填补方法。经过不懈努力，他们成功推出了基于偏最小二乘法 2（PLS2）的多重填补法（MIPLS2）。这项研究成果发表在《Analytica Chimica Acta》上，犹如一颗投入平静湖面的石子，在科研领域激起层层涟漪。
研究人员在此次研究中，主要运用了以下几种关键技术方法：
- 偏最小二乘法 2（PLS2）回归：这是 MIPLS2 算法的核心，利用两个数据块间的协方差关系，为缺失值预测和填补提供有力支持。
- 蒙特卡罗（MC）模拟：通过生成多个含人工引入缺失值的数据集，模拟随机和系统性缺失值场景，全面评估 MIPLS2 性能。
- 对比实验：将 MIPLS2 与多种传统填补方法，如多重填补法（MICE）、MiceForest、missMDA、主成分分析多重填补法（MIPCA）等进行对比，直观展现其优势。
下面，让我们详细看看研究的具体结果：
- 填补准确性评估：研究人员使用包含 890 个牛奶样本的数据集进行实验。其中，傅里叶变换红外（FT - IR）光谱数据作为稳健完整的 X 块，17 种通过气相色谱 - 质谱法（GC - MS）测量的脂肪酸（FAs）数据模拟存在缺失值的不稳定 Y 块。直接对比填补后的缺失值与参考值，结果令人惊喜，MIPLS2 在随机缺失（Case Yrand）和系统性缺失（Case Ysyst）两种场景下，都展现出更低的填补误差，远超其他传统方法。这表明 MIPLS2 能更精准地还原缺失值，就像拼图高手能准确找到每一块拼图的位置。
- 对预测模型的影响评估：利用包含填补值的 Y 块校准 PLS1 和 PLS2 回归模型，然后对测试集样本进行预测，并与参考值对比。结果发现，与其他竞争方法相比，MIPLS2 对预测输出的正向影响更小，这意味着它引入的不确定性更低，能为预测模型提供更可靠的数据支持，让预测结果更接近真实情况。
- 对 “协方差牢笼（CoC）” 影响评估：深入分析各填补方法对响应变量间 CoC 的影响，MIPLS2 凭借引入外部 X 块的协方差信息，成功打破 CoC 的束缚，降低变量间的相互依赖，有效避免了传统方法中因 CoC 导致的问题，使后续分析和预测更加稳健、可靠。
综合研究结论和讨论部分，MIPLS2 无疑是缺失值填补领域的一颗璀璨新星。它成功克服了传统单块填补技术的诸多局限，无论是面对随机缺失还是系统性缺失的数据，都能稳定发挥，精准填补缺失值。在实际应用中，它能为科研人员提供更可靠的数据基础，让基于这些数据构建的预测模型更加稳健、准确。这不仅有助于推动生命科学、健康医学等领域的基础研究，还可能在临床诊断、药物研发等实际场景中发挥重要作用，为解决复杂的实际问题提供新的思路和方法，极大地提升了科研和实践的效率与质量，具有不可忽视的重要意义。
