数据缺失的存在是实际分析中经常出现的问题。然而大部分统计方法无法直接应用在不完整数据集上,这大大降低了统计学的应用价值。常用的填补方法都是针对于连续变量或者分类变量,本文针对混合型数据的填补方法展开。本文首先简单介绍了主成分分析,PCAMIX以及PCAMIX单值填补算法；接着给出了主成分分析基于交叉验证(cross-validation)选择维数的方法；最后考虑到缺失值的变异性,引出了多重填补思想。论文的主要工作如下。首先以主成分分析基于cross-validation选择维数的方法为基础,给出了PCAMIX基于cross-validation选择维数的方法；接着利用多重填补的思想给出了PCAMIX多重填补算法(MI-PCAMIX)。其次基于模拟数据和真实数据,主要探讨了PCAMIX单值填补和多重填补的特性。单值填补：比较了连续变量,分类变量分开填补和同时填补的效果；同时讨论了变量间相关性和信噪比对填补的影响。多重填补：运用投影方式讨论了数据结构和缺失率对MI-PCAMIX得到的多个数据集的影响；同时详细说明了在Rubin汇总法则下,MI-PCAMIX的过程。本文得到的PCAMIX单值填补和多重填补特性如下。单值填补方面：当数据缺失的比例增大时,填补的误差也随之增大；连续变量和分类变量一起填补要优于分开填；一般信噪比越大,填补的效果要越好；一般变量间的相关系数越大填补的效果越好。多重填补方面：当数据结构较强时,填补的数据较为紧密和可靠；当缺失率较小时,填补的数据较为紧密和可靠。