在社会中众多领域的统计调查研究中,无回答现象时有发生。无回答会影响统计分析结果的真实性和精确程度,从而降低了调查数据的质量。因此,对无回答的处理在实际的统计调查研究中则显得十分重要。处理无回答的办法主要分为两大类:一类是在实际调查之前采取预防措施,这类方法虽然可以减少无回答情况的发生频率,但其花费的成本较高,也不能完全消除无回答现象;另一类则是在调查之后采用不同的方法进行补救,此类方法在一定程度上降低了调查中的误差,增加了调查数据的可靠程度,并且节约了成本。在处理含有无回答数据的众多方法当中,多重插补法是一类较为理想的办法。多重插补法则用多个插补值对无回答插补,得到的插补数据可信度较高,从而提高了调查结果的准确性。在多重插补方法中,PMM、DA、EMB多重插补法是目前使用较为普遍,且性能较好的插补方法,并且国内外很多学者对这些方法进行了相关细致深入的研究,但在对这些方法进行模拟研究时,得到的估计量的偏差、均方误差都相对较大。本文则采用普通线性回归多重插补法、贝叶斯线性回归多重插补法、贝叶斯自助线性回归多重插补法对无回答进行插补,在不同插补重数、不同无回答率、不同无回答机制下对线性回归模型系数的估计量做比较研究,并对估计量的偏差、均方误差的偏度以及峰度进行分析,考察其统计学性质。模拟结果显示,这三种多重插补法利用了无回答与解释变量之间的线性关系,显著改善了插补结果。当插补重数选择为5时,分别采用三种多重插补法都能给出较好的回归系数估计量,估计量的偏差绝对值和均方误差都显著小于采用PMM和DA插补法的情况;与采用EMB插补法的情况相比差异较小。在无回答率增加的情况下,系数估计量的偏差绝对值和均方误差呈较小递增趋势。在依赖无回答变量的非随机无回答机制下,截矩项估计量具有较大的偏差绝对值和均方误差,其他系数估计量的偏差绝对值和均方误差都相对较小。同时,各系数估计量偏差、均方误差相比于正态分布都有不同的偏斜;而其峰度值均为负,相比于正态分布更为平坦,数据更分散。