摘要：【目的】探讨实际问题研究中的不完全数据聚类。【方法】利用相关变量的辅助信息，对缺失数据进行推估，确定其合理的替代值，从而构造出一个“完全”数据集。在此基础上以EM算法循环迭代，参数的估计值和缺失数据的替代值都将逐渐收敛，以相应的贝叶斯后验概率判别个体的归类，进而实现动态聚类。【结果】模拟研究表明，缺值替代法具有较好的收敛性，对有缺失的数据基本都可正确地聚类。【结论】Fisher的鸢尾花花类识别数据验证了缺值替代法的可行性，其聚类的准确性高于缺值删除法，基本接近完全数据聚类。

关键词：聚类分析 缺失数据 后验概率 极大似然估计 

单位：南通大学公共卫生学院流行病与卫生统计学教研室 江苏南通226019 扬州大学江苏省作物遗传生理重点实验室 江苏扬州225009 苏州大学医学部公共卫生学院流行病与卫生统计学教研室 江苏苏州215123