极大似然估计在处理缺失值数据时又称作全息极大似然估计（Full Information maximum likelihood,）比之于其他的处理缺失值的方法，FIML能够使用所有观测变量的全部信息，没有删除任何case或者是数据，因此受到大家的亲睐。但是当我们做路径分析的时候，我们发现结果会报告自变量的缺失值无法处理，接下来我将为大家讲解对于自变量缺失值如何完整的通过FIML的方法进行处理。
工具/原料
mplus 6.0
方法/步骤
1
首先我们按照下面的语句对路径分析的模型进行处理，也就是我们一般的FIML的方法，当存在缺失值时，5.0版本的mplus自动采用type=missing模式。然后我们运行结果，发现报错说对于自变量的缺失值无法通过FIML处理，而是由自变量缺失的case直接删除。我们可以看到下图三的个案数为192个，但是完整样本为210个
2
这是因为在模型中没有包括对于自变量的参数估计，因此没有包含其缺失的数据。我们这个时候可以要求模型将自变量的均值进行估计。便可以得到我们想要的结果。
3
如下图所示，加上[a1 a2 b];然后运行我们发现报错没了，然后我们的个案数也是完整的210个了