هدف این مقاله معرفی یک مدل تعمیم یافته برای توزیع توأم متغیرهای اسمی، ترتیبی و پیوسته برای با و بدون داده گم شده است. فرم های بسته ای برای تابع درستنمایی مربوط به مدل های مکانی عام ارائه می شود. همچنین تقریب جو، برای براورد پارامترهای مدل مکانی عام با پاسخ های اسمی، پیوسته و ترتیبی با و بدون داده های گم شده به کار برده شده است. برای نشان دادن قابلیت مدل های پیشنهادی، مطالعات شبیه سازی انجام شده است. همچنین مدل های ارائه شده بر روی داده های واقعی مربوط به آموزش زبان خارجی مورد تحلیل قرار گرفته است

در این مقاله پاسخ‌های شمارشی با تعداد صفر زیاد، که داده‌های آماسیدۀ صفر نامیده می‌شوند، مورد تحلیل قرار گرفته‌اند. فرض می‌شود پاسخ‌ها از سری توانی آماسیدۀ صفر پیروی می‌کنند. همچنین به دلیل وجود گم‌شدگی از نوع تصادفی در متغیرهای تبیینی برخی از داده‌های کاربردی، انواع روش‌های برآوردیابی پارامترهای مدل براساس تابع امتیاز با و بدون درنظر گرفتن گم‌شدگی برای مدل رگرسیونی ارایه شده است. در این میان، معلوم یا نامعلوم بودن احتمال انتخاب متغیر تبیینی گم‌شده منجر به ارایه روش نیم‌پارامتری برای برآورد پارامترها در مدل رگرسیونی سری توانی آماسیدۀ صفر می‌شود. به منظور تشریح روش پیشنهادی، مطالعه‌ا‌ی شبیه‌سازی برای مدل رگرسیونی دوجمله‌ای منفی آماسیدۀ صفر با متغیرهای تبیینی گم‌شده به عنوان یک مدل رگرسیونی سری توانی انجام می‌شود و سپس مثالی از داده‌های واقعی ارایه می‌شود. در انتها، عملکرد روش ‌نیم‌پارامتری در مقایسه با روش ماکسیمم درستنمایی، مورد-کامل، احتمال وارون وزنی مورد بررسی و ارزیابی قرار گرفته است.

نحوه برخورد با داده‌های گم‌شده یکی از مسائلی است که اغلب محققان با آن روبرو هستند. جانهی چندگانه با استفاده از معادله‌های زنجیره‌ای یکی از رایج‌ترین و انعطاف‌پذیرترین روش‌ها برای جانهی است.  از دیدگاه تئوری، هر مدل جانهی می‌تواند  برای پیش‌بینی مقادیر داده‌های گم‌شده استفاده شود اما اگر مدل‌های پیشگویی نادرست باشند می‌تواند منجر به برآوردهای اریب و استنباط‌های نامعتبر شود. یکی از جدیدترین راه‌حل‌ها برای برخورد با داده‌های گم‌شده، روش‌ ترکیبی یادگیری ماشین و ابریادگیرنده است. در این مقاله،  چند شبیه‌سازی‌ برای نشان دادن رویکرد بهتر این روش از نظر اریبی کمتر و همگرایی بهتر برآورد پارامتر نهایی نسبت به  روش‌های جانهی رایج ارائه شده است.  همچنین، به پیاده‌سازی برخی روش‌های یادگیری ماشین و یک الگوریتم ترکیبی از ابریادگیرنده، روی داده‌های کارگاه‌های صنعتی  پرداخته شده است که در آن جانهی متغیرهای مختلف در داده‌ها به‌طور همزمان صورت می‌گیرد. همچنین به ارزیابی روش‌های مختلف  و معرفی روش دارای عملکرد برتر، پرداخته شده است.