Los métodos de estimación eficientes para modelos autorregresivos simultáneos (SAR) con datos faltantes en la variable de respuesta han sido ampliamente explorados en la literatura. Una práctica común es introducir error de medición en los modelos SAR para separar el componente de ruido del proceso espacial. Sin embargo, estudios previos no han considerado la incorporación de error de medición en modelos SAR con datos faltantes. La estimación de máxima verosimilitud para tales modelos, especialmente con conjuntos de datos grandes, plantea desafíos computacionales significativos. Este artículo propone un método eficiente de estimación basado en la verosimilitud marginal (ML) para estimar modelos SAR en grandes conjuntos de datos con errores de medición y un alto porcentaje de datos faltantes en la variable de respuesta. Se consideran el modelo autorregresivo espacial (SAM) y el modelo de error espacial (SEM), dos tipos populares de modelos SAR. Se asume que el mecanismo de datos faltantes sigue un patrón de faltantes al azar (MAR). Proponemos un método rápido para la estimación de ML marginal con una complejidad computacional de , donde es el número total de observaciones. Esta complejidad se aplica cuando la matriz de pesos espaciales se construye en base a una estructura de vecindario local. La efectividad de los métodos propuestos se demuestra a través de simulaciones y aplicaciones de datos del mundo real.