Håndtering
Man skal rapportere omfanget av manglende data for alle variablene som inngår i analysene, og hvordan dette ble håndtert (5, 6).
Den enkleste metoden for å håndtere manglende data er å inkludere bare de observasjonene som har komplette data (complete case analysis). Dette kan være akseptabelt dersom andelen med manglende data er liten, for eksempel under 5 %. Men dette vil avhenge av grad av avvik fra antagelsen om at data mangler helt tilfeldig (2). Metoden vil være forventningsrett (unbiased) bare hvis data mangler helt tilfeldig.
Noen ganger kan man imputere manglende data, dvs. sette inn verdier som er estimert ved hjelp av de observerte data. Ved enkel imputering setter man inn et estimat i hvert hull i datamatrisen. Dette kan gi forventningsrette estimater hvis data mangler betinget tilfeldig. Men man underestimerer usikkerheten, dvs. får for smale konfidensintervaller og for små p-verdier, med mindre andelen manglende data er liten (2, s. 442–7). En bedre metode er multippel imputering, der man lager flere komplette datasett. I hvert datasett er de imputerte verdiene trukket fra sannsynlighetsfordelingen gitt de observerte verdiene. Det er vanligvis tilstrekkelig med 20–100 imputerte datasett (7, s. 58). Deretter kombineres resultatene fra de komplette datasettene, og man får forventningsrette estimater, konfidensintervaller og p-verdier hvis data mangler betinget tilfeldig (7).
I visse tilfeller kan man benytte full-informasjon-sannsynlighetsmaksimeringsmetoden (full information maximum likelihood), men denne er svært beregningsintensiv og ikke alltid mulig.
I longitudinelle studier, som i eksemplet nevnt innledningsvis (1), kan man bruke en blandet modell-regresjonsanalyse (mixed model regression analysis) uten å imputere data. Da bidrar alle pasienter som har data fra minst ett tidspunkt, og resultatene er forventningsrette når data mangler betinget tilfeldig ((8), s. 285).