数据缺失发生在各个研究领域当中,若不加处理直接使用,会对模型选择、研究分析造成一定的困难。因此,对于缺失数据包含的信息进行深入分析,尽可能利用已有数据还原真实数据情况,对缺失值进行有效处理十分重要。数据填补的目的一般可分为三个方向,补全原数据、系数估计和预测。所以以不同目的去处理缺失值时,各缺失值填补方法有不同的优势与适用场景,有的方法适用于还原真实变量数据;有的方法在数据用于参数估计时有良好的表现;有的用于变量预测时,因为在填补原数据和参数估计时出现的偏差中和了,所以填补后的数据预测效果好。本文发现基于多元线性回归模型,均值填补法用于以系数估计为目的的研究时,其效果并不理想,但用于以因变量估计为目的的研究时,均值填补法效果并不差,且其在各种情况下的综合成绩优于大多数常用填补法。本文对这一新观点,通过模拟研究和实证分析两个方面进行了验证。模拟数据在三种缺失机制下发生四种不同比例的缺失,并利用均值填补法和其它六种缺失值填补方法对其进行填补处理,观察数据运用在多元线性回归模型的参数估计和变量估计时的精度,利用统一的评价指标对七种填补方法进行评判。实证分析上运用足球游戏内足球选手角色评分数据,运用同种缺失模拟方法对比七种缺失值填补效果,得到与模拟研究相同结论。最后,本文在理论层面做一些初步探究,希望在一定程度上解释这种现象出现的原因。