这个答案幸得@Joshua当我张贴了这个问题向谁给了一个真棒答案R和统计界在Google+上。我只是在下面粘贴他的答案。
要进行回归分析（没有潜在变量建模），请阅读我在引文后面键入的注释。
在所有可用数据上以最大可能性处理丢失的数据（所谓的FIML）是一种非常有用的技术。但是，有许多复杂性使得以通用方式实施具有挑战性。考虑一个简单的线性回归模型，该模型根据年龄，性别和职业类型预测一些连续结果。在OLS中，您不必担心年龄，性别和职业的分布，而只担心结果。通常，对于类别预测变量，它们是伪编码（0/1）。要使用ML，需要对所有缺失的变量进行分布假设。到目前为止，最简单的方法是多元正态（MVN）。例如，如果您不自行声明变量类型（例如，分类变量），Mplus将默认执行此操作。在我给出的简单示例中，您可能要假设年龄正常，伯努利性别，工作类型是多项式。后者很棘手，因为您实际拥有的是几个二进制变量，但是您不想将它们视为Bernoulli。这意味着您不想使用伪编码变量，需要使用实际的分类变量，以便ML估计量可以正确使用多项式，但这又意味着需要在模型中构建伪编码过程，而不是数据。再次使生活复杂化。此外，连续变量和分类变量的联合分布对于计算而言并非无关紧要（当我在Mplus中遇到类似问题时，它很快就会开始崩溃和挣扎）。最后，您确实可以理想地指定丢失的数据机制。以SEM样式FIML，所有变量基本上都以其他变量为条件，但这不一定是正确的。例如，年龄的缺失可能不是性别和职业类型的函数，而是性别之间的相互作用。交互作用对于焦点结果可能并不重要，但是如果对于年龄的缺失很重要，则它也必须存在于模型中，不一定是关注的实质模型，而是缺失的数据模型。
lavaan将ML用于MVN，但目前我认为分类数据选项是有限的（同样来自SEM领域，这是标准）。起初，多重插补似乎不太优雅，因为它在FIML背后做出了许多隐含的假设（例如，每个变量的分布假设和每个变量缺失的预测模型）。但是，它为您提供了很多控制权，并明确地考虑了每个变量的分布，并且每个变量的最佳缺失数据机制都很有价值。
我越来越相信贝叶斯模型是处理丢失数据的方法。原因是它们在包含每个变量的分布时非常灵活，允许使用多种不同类型的分布，并且可以轻松地将预测变量缺失数据引入的可变性纳入整体模型估算中（这是使用多重估算的技巧然后必须以某种方式组合结果）。当然，这些方法不是最简单的，并且可能需要大量的培训和时间才能使用。
因此，这并不能真正回答您的问题，而是说明了为什么处理缺失的完全通用框架很棘手。在用于协方差矩阵的semutils程序包中，我在下面使用lavaan来使用ML。之所以这样做，是因为我假设对于方差协方差矩阵，无论如何您都在使用连续变量，因此我假设我的用户已经为他们的数据假设了MVN。
这意味着，如果所有带有缺失项的变量都是连续的，lavaan，则结构方程模型（SEM）包是在R中用于FIML的不错的选择。
现在回到我最初的问题。我的意图是对运行线性回归时的缺失进行魔术修复。我所有缺少的变量都很好并且持续不断。因此，我以两种方式进行分析：
- 多重插补的通常方式
- 使用FIML以lavaan制成SEM样式。
通过以SEM风格进行回归，我错过了很多东西。两种样式都给出相似的系数和R平方，但是在SEM样式中，我没有进行回归的显着性检验（典型的F值和df），相反，我得到的拟合指数无用，因为我用完了我所有的学位自由。同样，当一个模型的R2比另一个模型大时，我找不到一种方法来比较差异是否显着。此外，以通常的方式进行回归可以访问大量的回归假设测试，这些假设非常宝贵。有关此问题的更详细答案，请参阅@StasK很好地回答了我的另一个问题。
因此，结论似乎是，lavaan是R中FIML的一个不错的包装，但FIML的使用取决于统计假设和进行的分析类型。就回归（没有潜在变量建模）而言，将其排除在SEM程序之外，并使用多重插补可能是明智之举。