数据插补是一种通过填补缺失值来使数据集更加完整的方法。常见的数据插补方法包括均值插补法、中位数插补法、回归插补法、多重插补法（MI）等。
（1）均值插补法
用变量的均值替代缺失值。这种方法简单且易于实现，但在变量分布不对称的情况下可能引入偏差。
*方法1：手动计算均值后替换（推荐，可查看均值）
summarize var1 //先查看var1的均值（结果中Mean列）
replace var1=r(mean) if missing(var1) // 用均值填补var1的缺失值
*方法2：一行命令直接填补（无需手动看均值）
replace+聚合函数（mean()/median()/mode()）
replace var1=mean(var1) if missing(var1) //直接填补
适用场景：连续变量用均值 / 中位数，分类变量用众数
（2）中位数插补法
用变量的中位数替代缺失值。相比均值插补法，中位数插补法更适用于分布不对称的数据。
*方法1：手动计算中位数后替换
summarize var1, detail // 查看var1的中位数（结果中50%列）
replace var1=r(p50) if missing(var1) // 用中位数填补
*方法2：一行命令直接填补，自动计算
replace var1=median(var1) if missing(var1)
注意：
分类变量（如性别变量gender）分组填补：
*分组均值插补
bysort gender:replace var1=mean(var1) if missing(var1)
*分组中位数插补
bysort gender:replace var1=median(var1) if missing(var1)
（3）回归插补法
利用回归模型预测缺失值，并用预测值替代缺失值。这种方法考虑了变量之间的关系，因此比均值插补和中位数插补更为精确。
将有缺失的变量作为因变量，选择若干完整的变量作为自变量构建回归模型，用模型预测值填补缺失值。
「简单回归插补」：直接用预测值填补（易低估方差）；
* 方法1：简单回归插补
* 步骤1：用完整数据拟合回归模型（mpg为因变量，weight/foreign为自变量）
regress mpg weight foreign if e(sample) // 仅用无缺失的样本拟合
* 步骤2：预测缺失值（对所有样本生成预测值）
predict mpg_pred, xb // xb表示线性预测值
* 步骤3：用预测值填补缺失值
replace mpg = mpg_pred if missing(mpg)
「随机回归插补」：预测值 + 随机残差（更贴近真实数据分布）。
* 方法2：随机回归插补（带残差，更优）
sysuse auto_miss, clear // 重新加载带缺失值的数据
* 步骤1：拟合回归并提取残差
regress mpg weight foreign if e(sample)
predict mpg_pred, xb // 预测值
predict resid, residuals // 残差
* 步骤2：随机抽取残差并加到预测值上
summarize resid // 查看残差分布
gen rand_resid = resid[runiformint(1, _N)] // 随机抽取残差
* 步骤3：填补缺失值（预测值+随机残差）
replace mpg = mpg_pred + rand_resid if missing(mpg)
* 查看填补结果
list mpg weight foreign in 1/10 // 前10行原本是缺失值，已填补
（4）多重插补法（MI）
通过多次插补生成多个完整的数据集，并将这些数据集的分析结果进行综合。多重插补法能够充分利用数据，减少因缺失值导致的偏差。
核心步骤：
