El efecto promedio del tratamiento es un concepto importante en la inferencia causal. Sin embargo, no logra capturar la variación en la respuesta al tratamiento debido a la heterogeneidad en muchos niveles entre los pacientes en la población objetivo. Para estudiar la heterogeneidad en el efecto del tratamiento, los investigadores propusieron los conceptos de tasa de beneficio del tratamiento (TBR) y tasa de daño del tratamiento (THR). Sin embargo, en la práctica, a menudo ocurren datos faltantes en el tratamiento, los puntos finales y las covariables. En estos casos, las condiciones dadas por ellos no son suficientes para identificar la tasa de beneficio del tratamiento. En este artículo, abordamos el problema de identificar la tasa de beneficio del tratamiento y la tasa de daño del tratamiento cuando faltan datos en el tratamiento, los puntos finales o las covariables. Se asumen diferentes tipos de mecanismos de datos faltantes, incluyendo varias situaciones de falta de ignorable. Demostramos que la tasa de beneficio del tratamiento y la tasa de daño del tratamiento son identificables bajo condiciones muy leves, y luego construimos estimadores basados en métodos del algoritmo EM. El rendimiento del procedimiento de inferencia propuesto se evalúa mediante estudios de simulación. Por último, ilustramos nuestro método con conjuntos de datos reales.