混合效应模型由于其特性而成为处理纵向数据的有力工具，在生物、医学、社会经济、工农业、工程技术等领域有着非常广泛应用。而现实生活中的大部分数据往往都存在缺失的情况，大多数人都会对缺失数据进行简单的删除或者填补工作，然而这样很容易引起偏差。本文将对缺失数据进行一个大概的介绍，并针对带有缺失数据的多元线性混合模型的参数进行贝叶斯估计。　　 本文首先对完全数据的多元线性混合模型进行贝叶斯估计，再考虑数据是缺失时，参数的贝叶斯估计。通常贝叶斯估计中都涉及难以处理的高维积分，要直接获得参数估计十分困难，因此我们根据前人的经验，通过Monte Carlo方法来估计。由于参数的后验分布不是常见的分布，所以要采用Gibbs抽样，通常参数的后验分布属于非常见分布，且表达式比较复杂，要直接从中抽样很困难。为了克服这个困难，我们就要通过MH算法，算出参数的建议分布来近似其后验分布，使得抽样更容易。对于带缺失的数据，特别是对不可忽略数据，还需要考虑缺失数据的机制以及决定缺失机制的一个参数，这就使得参数后验分布的推导更难，但总的来说，带缺失数据的模型的Bayes估计仍然是通过以上步骤来对参数进行估计。　　 本文最后给出了一个实例分析，验证了本文方法的有效性和可行性，力争将理论推导与实际应用结合起来。