1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，數(shù)據(jù)量指數(shù)級增長，如何有效地從海量數(shù)據(jù)中提取有價值的信息已經(jīng)成為統(tǒng)計學、機器學習領(lǐng)域中的重要課題.傳統(tǒng)的統(tǒng)計分析建立在規(guī)則數(shù)據(jù)集的基礎(chǔ)上，然而現(xiàn)實中數(shù)據(jù)往往存在缺失值問題.數(shù)據(jù)缺失并不代表信息不存在，但缺失值的存在會影響到數(shù)據(jù)挖掘、統(tǒng)計推斷的正常進行.
　　常用的缺失值處理方法有刪除法，特殊值處理法以及插補法等.在諸多缺失值處理方法中，插補法具有非常不錯的效果，而在插補法中最具代表性的就是回歸插補.回歸插補又

2、可以分為參數(shù)回歸插補和非參數(shù)回歸插補，非參數(shù)回歸插補因為其相對穩(wěn)健的性質(zhì)，在實際生活中應(yīng)用廣泛.常用的非參數(shù)插補方法有，Horvitz-Thompson逆概率加權(quán)估計(HT)，逆概率加權(quán)比估計，核密度插補方法，最近鄰插補方法，以及結(jié)合逆概率加權(quán)與核密度插補的雙穩(wěn)健插補方法等.本文在現(xiàn)有非參數(shù)雙穩(wěn)健插補的基礎(chǔ)上，結(jié)合逆概率加權(quán)比估計提出一種新的雙穩(wěn)健插補方法.通過大量的模擬及實例深入比較了前面提到的各插補方法.模擬結(jié)果表明，HT估計對傾向