برخورد با داده های گمشده، چالش بزرگی سر راه تحلیل داده هاست. یکی از راههای سنتی این کار، حذف داده ها است. در تجزیه و تحلیل های چند متغییره مثل تحلیل های این مرکز، روش حذف داده های گمشده روش ناکارامدی است چرا که تعداد داده های دارای اطلاعات کامل بسیار اندک است و حجم نونه بسیار کاهش می یابد و کاهش حجم نمونه باعث پایین آمدن اعتبار بیرونی می شود ولی زمانی که داده های گمشده ی ما تعداد کمی هستند می توان از فرایند پژوهش آنها  را حذف نمود. در روش جایگذاری مقادیر مناسب برای داده های گمشده نیز اگر میانگین جایگذاری شود رابطه ی بین متغییرها تحت تاثیر جدی قرار می گیرد. استفاده از برآوردهای رگرسیونی مشکل قبلی را ندارد مقدار دقیق فراهم نمی آورد، چرا که در این روش مقادیر برآورد شده به جای مقادیر واقعی قرار می گیرد و باید حالت احتمالی برآورد را در نظر گرفت و نمی توان غیر احتمالی بودن برآوردها در این روش را نادیده بگیریم. بنابراین این روش نیز کارایی کاملی ندارد. در ضمن روش هایی مثل برآوردهای رگرسیونی، برآوردهای جفتی یا لیستی وابسته ی به این مفروضه است که الگوی ارزش های گمشده وابسته ی به داده های واقعی نیست.

روش های جایگذاری چندگانه تحلیلی از الگوی داده های گمشده ارائه می دهند. در این روش انواع مختلفی از دسته داده ها فراهم می شود که  هر کدام از این دسته داده ها مقادیر جایگذاری شده ی خاص خود را دارند. زمانی که تحلیل های آماری انجام می شوند برای تمام دسته داده های جایگذاری شده پارامترها برآورد می  شوند و در کنار هم قرار می گیرند. پارامترهای برآورد شده بر اساس مجموع آنها از دقت بیشتری نسبت به هر کدام از دسته داده ها خواهد بود. بنابراین برای استفاده از این روش ابتدا باید الگوی داده های گمشده را مشاهده کرد و دید که آیا نیاز به استفاده از این روش وجود دارد یا خیر؟