Los problemas de datos faltantes surgen en ensayos aleatorizados, lo que complica la inferencia de efectos causales si el mecanismo de datos faltantes es no ignorado. Abordamos el desafío de identificar y estimar los parámetros del efecto causal promedio de los cumplidores bajo la falta de ignorable mediante el aumento de los covariables para mitigar la sensibilidad a la violación de supuestos de identificación específicos. El mecanismo de datos faltantes se asume que sigue un modelo logístico, donde la ausencia del resultado se explica por el propio resultado, el tratamiento recibido y los covariables. Establecemos la identificabilidad de los modelos bajo condiciones suaves al asumir que el resultado sigue una distribución normal. Desarrollamos un método computacional para estimar los parámetros del modelo a través de un enfoque de estimación de verosimilitud en dos pasos, empleando análisis de subgrupos. El método de bootstrap se emplea para la estimación de la varianza, y la efectividad de nuestro enfoque se confirma a través de simulación. Aplicamos el método propuesto para analizar el conjunto de datos de ingresos familiares de la Encuesta del Proyecto de Ingresos Familiares de China 2013.