在社会调查资料中,数据缺失是一种常见现象，甚至是无法避免的。造成数据缺失的原因有很多，比如失访、无响应或是回答问题不合格等等。统计学上，将含有缺失数据的记录称为不完全观测。缺失数据或不完全观测对调查研究的结果有很大的影响。如何使用不完全数据来进行研究分析这一问题从很早就开始了研究，EM(Expectation-Maximization期望最大)算法就是这样一个研究成果。EM算法是一种求参数极大似然估计的迭代算法，在处理不完全数据中有重要应用。它的最大优点是实现简单；数值计算稳定；存储量小；特别是，每一次迭代能保证观察数据对数似然函数是单调不减的。其主要的思想是：先假设缺失和隐含数据的初始值，然后估计模型的参数，再利用模型参数值来估计缺失和隐含数据值，根据估计出的缺失和隐含数据值再对参数值进行更新，如此反复迭代。EM算法主要应用于下面两种非完全数据参数估计：第一，观测数据不完全，这是由于观测过程的局限性所导致；第二，似然函数不是解析的或者似然函数的解析式过于复杂从而导致极大似然函数的传统估计方法失效。由于EM算法的优点，EM算法被广泛的用于对缺失数据的处理和基于EM算法的含缺失数据的参数估计。本文针对EM算法对于缺失数据的估计问题进行了几点研究：(1)缺失率的不同对EM算法是否存在影响，如果存在，是怎样的影响；(2)EM算法对于初始值的灵敏度分析；(3)在极大似然估计中，增大观测值的数量能有效的提高参数估计的精度，这个结论在EM算法中是否适用，如果不适用，EM算法对于观测数据的数量存在什么样的要求。从以上三点出发，使用计算机模拟实验得到了一些结论，并通过实际案例对结论进行了验证。