我觉得这个问题很难，主要是背景的问题。
您的rct，正确应该是Radomized Control Trail，中文应当是随机控制实验。
换句话说，探讨这方面的研究，大多是公共卫生，或医疗或流行病学研究的。

一般学经济的，学计量经济的，Missing value的处理或者Treatment effect的探讨，是比较后期的，
许多书，往往是列在书本的后半，如Wooldridge或Colin Cameron
但即便探讨了，问题是，却也很少提到随机控制实验的问题。
主要的理由是，就经济来说，弄随机实验太耗成本。
但也不是所有的计量经济书不细说。像 美国  詹姆斯·H.斯托克 马克·W.沃特林著的 经济计量学就有提到。
【旧版于第11章，新版应当在更后面章节】

我只能就我自己浅薄的知势去片面回答。

主要应当是，follow-up比baseline缺失了约400观测值
这个应当当要问您自己，您会对这实验比较了解，究竟是怎么样的缺失法。
如果是attrition，那是属于一种非随机选择样本。

如果不去掉的话怎么比较？比较什么？

在follow-up中用均值来代替？
请回到最原本的思考，如果一切缺失的机制都是随机，那么，去掉可能更可取。
mean imputation的方法，是在非随机机制下处理的方法之一，最简单，
但如果真的非随机机制，您敢用这样简单的方法吗？

用difference in difference的话有影响么？
相信您对DID模型应该很熟，问题是，DID模型，您个人认为能消除非随机机制的缺失值吗？
我个人认为，如果是非随机肯定有影响。
如果是随机机制，那么，这跟模型无关吧，反到是怎么处理missing value比较重要。

最后，坦白说，以您的缺失值比率上来说，10%实在是算不了什么。
其实您可以尽量思索，您的缺失机制是随机的，那么砍掉或乎略这些缺失值是有道理的。
再则，如果人家挑您毛病，认为缺失机制是非随机的，好吧！
那您就用mean取代，或者用种种imputation的方法去处理，再估一次，
如果说，处理缺失值后的结果，和直接砍掉的结果，一样或差不多，两者结果经检定也无差异，
那么，我想人家也不会说您什么了！

尽量提供我个人的浅见，不要再问我太深入的问题，总觉得这问题很有水平，不是我能解决的！

还得请教，attrition具体来讲是啥意思，样本是学生，follow-up中有请假或者转学等造成的样本缺失，这个属于attrition么？
结合你的话，我是不是能得出结论，如果样本缺失是随机的，那么怎么整都可以？
还有你提到的“种种imputation的方法”什么书里面有？我现在读的书太少，遇到很多问题觉得书中应该会有解答，但是不知道看哪本书。原来的想法是通读完Wooldridge的那本面板再写东西，但是时间不等人啊
还有你是否有qq群或者什么讨论小组之类的，我觉得那样的交流更方便，很多人一起讨论问题都能学到东西，知识信息什么的还能共享。
还有你全文全是用的“您”，我只是个学生可担不起：）

1.我个人觉得算attrition
2.呵~那样说可能不太好。不过，如果样本缺失是随机的，砍掉不一定是比较不好的做法。
3.有的，Cameron那本Microeconometrics Methods and Applications的第二十七章Missing Data and Imputation
4.我没有qq群
5.我也还是学生，没关系啦，我的习惯常用您

不太懂哈！！！