在本练习中，您将遇到 6 种存在缺失的数据情境。请尝试为每种情境指定最可能的缺失数据机制。作为复习，以下是一些通用准则：
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
在本章中，您将了解为什么在分析数据集时，缺失数据可能带来风险。我们将介绍三种缺失机制，并讲解如何使用统计检验与可视化工具识别它们。
当前练习
了解填补方法的分类体系，并学习三种基于供体的技术：均值填补、热甲板（hot-deck）填补和 k-近邻（k-Nearest-Neighbors）填补。您将深入其原理，理解这些方法如何工作，并学习如何将它们应用到真实的热带天气数据集。过程中，您还会掌握一些实用技巧，帮助这些方法更好地解决您的问题。
现在是时候学习如何使用统计与机器学习模型（如线性回归、逻辑回归与随机森林）来填补缺失数据了。本章将探讨这些模型如何进行预测，并据此从条件分布中抽取填补值。这一点很重要，因为它能确保您的填补结果更加多样且合理，更接近真实数据。
填补得到的数值并非板上钉钉。它们只是估计，而估计总伴随不确定性。在最后一章中，您将了解如何使用自助法（bootstrapping）与基于链式方程的多重填补（借助 mice 包），把填补不确定性纳入模型与分析，使其更可靠、更稳健。
