期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
含非随机缺失数据的面板数据参数估计方法
被引量：
5
1
作者
于力超
金勇进
《统计研究》
CSSCI
北大核心
2016年第1期95-102,共8页
抽样调查领域常采用对多个受访者进行跟踪调查得到面板数据,进而对总体特性进行统计推断,在面板数据中常含缺失数据,大多数处理面板缺失数据的软件都是直接删去含缺失值的受访者以得到完全数据集,当数据缺失机制为非随机缺失时会导致总...
抽样调查领域常采用对多个受访者进行跟踪调查得到面板数据,进而对总体特性进行统计推断,在面板数据中常含缺失数据,大多数处理面板缺失数据的软件都是直接删去含缺失值的受访者以得到完全数据集,当数据缺失机制为非随机缺失时会导致总体参数估计结果有偏。本文针对数据缺失机制为非随机缺失的情形,阐述了如何对面板数据进行统计分析,主要是基于模型的似然推断法,对目标变量、缺失指示变量和随机效应向量的联合分布建模,在已有选择模型和模式混合模型的基础上,引入随机效应,研究目标变量期望的计算方法,并研究随机效应杂合模型下参数的估计方法,在变量分布相对简单的情形下给出了用极大似然法推断总体参数的估计步骤,最后通过模拟分析比较方法的优劣。
展开更多
关键词
非
随机
缺失
机制
面板数据
模式混合模型
选择模型
下载PDF
职称材料
基于增长模型的非随机缺失数据处理:选择模型和极大似然方法
被引量：
4
2
作者
陈楠
刘红云
《心理科学》
CSSCI
CSCD
北大核心
2015年第2期446-451,共6页
对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量...
对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量、非随机缺失比例和随机缺失比例的影响。结果表明,符合前提假设的Diggle-Kenward选择模型的参数估计精度普遍高于ML方法;对于标准误估计值,ML方法存在一定程度的低估,得到的置信区间覆盖比率也明显低于Diggle-Kenward选择模型。
展开更多
关键词
追踪研究
潜变量增长模型
非
随机
缺失
机制
Diggle—Kenward选择模型
极大似然方法
下载PDF
职称材料
LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型
被引量：
3
3
作者
张杉杉
陈楠
刘红云
《心理学报》
CSSCI
CSCD
北大核心
2017年第5期699-710,共12页
追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机...
追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。(2)DiggleKenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。
展开更多
关键词
潜变量增长模型
非
随机
缺失
机制
Diggle-Kenward选择模型
极大似然方法
下载PDF
职称材料
利用logit模型判定数据缺失机制
被引量：
3
4
作者
孙晓松
《山东理工大学学报（自然科学版）》
CAS
2009年第2期51-54,共4页
利用logit模型刻画了缺失指示变量R的分布,由其分布的参数估计来判定数据的缺失机制类型.在四个假定的基础上,用五个步骤具体操作缺失数据的机制检验.并用两个例子说明了检验的具体步骤.
关键词
数据
缺失
机制
LOGIT模型
缺失
指示变量
数据
非
随机
缺失
机制
下载PDF
职称材料
数据非随机缺失机制的检验
被引量：
1
5
作者
孙晓松
汪四水
《雁北师范学院学报》
2007年第2期5-8,共4页
本文采用一种模拟算法对数据非随机缺失(NMAR)机制的检验问题作了初步的探讨.并用一个例子说明NMAR机制的检验问题的合理性.
关键词
数据
非
随机
缺失
机制
模拟算法
似然比检验
检验统计量
选择模型
lgoit模型
下载PDF
职称材料
题名
含非随机缺失数据的面板数据参数估计方法
被引量：
5
1
作者
于力超
金勇进
机构
中国人民大学统计学院
教育部重点研究基地"应用统计科学研究中心"
出处
《统计研究》
CSSCI
北大核心
2016年第1期95-102,共8页
基金
国家社会科学基金项目"大数据背景下非概率抽样的统计推断问题研究"(15BTJ014)
全国统计科学研究重点项目"小微工业企业抽样调查问题研究"(2013LZ34)
北京市社会科学基金重点项目"基于北京市地理分布的空间抽样设计研究"(14JGA022)资助
文摘
抽样调查领域常采用对多个受访者进行跟踪调查得到面板数据,进而对总体特性进行统计推断,在面板数据中常含缺失数据,大多数处理面板缺失数据的软件都是直接删去含缺失值的受访者以得到完全数据集,当数据缺失机制为非随机缺失时会导致总体参数估计结果有偏。本文针对数据缺失机制为非随机缺失的情形,阐述了如何对面板数据进行统计分析,主要是基于模型的似然推断法,对目标变量、缺失指示变量和随机效应向量的联合分布建模,在已有选择模型和模式混合模型的基础上,引入随机效应,研究目标变量期望的计算方法,并研究随机效应杂合模型下参数的估计方法,在变量分布相对简单的情形下给出了用极大似然法推断总体参数的估计步骤,最后通过模拟分析比较方法的优劣。
关键词
非
随机
缺失
机制
面板数据
模式混合模型
选择模型
Keywords
Nonignorable Missing Mechanism
Random Effect Dependent Missing
Panel Data
Pattern Mixture Model
Selection Model
分类号
O212 [理学—概率论与数理统计]
下载PDF
职称材料
题名
基于增长模型的非随机缺失数据处理:选择模型和极大似然方法
被引量：
4
2
作者
陈楠
刘红云
机构
北京师范大学心理学院
出处
《心理科学》
CSSCI
CSCD
北大核心
2015年第2期446-451,共6页
基金
国家自然科学基金(31100759)
全国教育科学"十二五"规划教育部重点课题(GFA111001)
北京市与中央在京高校共建项目(019-105812)的资助
文摘
对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量、非随机缺失比例和随机缺失比例的影响。结果表明,符合前提假设的Diggle-Kenward选择模型的参数估计精度普遍高于ML方法;对于标准误估计值,ML方法存在一定程度的低估,得到的置信区间覆盖比率也明显低于Diggle-Kenward选择模型。
关键词
追踪研究
潜变量增长模型
非
随机
缺失
机制
Diggle—Kenward选择模型
极大似然方法
Keywords
longitudinal study, latent growth curve model （LGM）, missing not at random （MNAR） mechanism, Diggle-Kenward selection model, maximum likelihood （ML） approach
分类号
B841 [哲学宗教—基础心理学]
下载PDF
职称材料
题名
LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型
被引量：
3
3
作者
张杉杉
陈楠
刘红云
机构
首都经济贸易大学劳动经济学院
北京师范大学心理学院应用实验心理北京市重点实验室
艾美仕市场调研咨询(上海)有限公司
出处
《心理学报》
CSSCI
CSCD
北大核心
2017年第5期699-710,共12页
基金
国家自然科学基金项目(31571152)
北京市与中央在京高校共建项目(019-105812)
+1 种基金
未来教育高精尖创新中心
中央高校基本科研业务费专项资金资助
文摘
追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。(2)DiggleKenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。
关键词
潜变量增长模型
非
随机
缺失
机制
Diggle-Kenward选择模型
极大似然方法
Keywords
latent growth model
missing not at random
Diggle-Kenward selection model
maximum likelihood approach
分类号
B841 [哲学宗教—基础心理学]
下载PDF
职称材料
题名
利用logit模型判定数据缺失机制
被引量：
3
4
作者
孙晓松
机构
连云港师范高等专科学校数学系
出处
《山东理工大学学报（自然科学版）》
CAS
2009年第2期51-54,共4页
文摘
利用logit模型刻画了缺失指示变量R的分布,由其分布的参数估计来判定数据的缺失机制类型.在四个假定的基础上,用五个步骤具体操作缺失数据的机制检验.并用两个例子说明了检验的具体步骤.
关键词
数据
缺失
机制
LOGIT模型
缺失
指示变量
数据
非
随机
缺失
机制
Keywords
data missing mechanism
logit model
missing indicator variable
not missing at random mechanism
分类号
O212.1 [理学—概率论与数理统计]
下载PDF
职称材料
题名
数据非随机缺失机制的检验
被引量：
1
5
作者
孙晓松
汪四水
机构
苏州大学数学科学学院
出处
《雁北师范学院学报》
2007年第2期5-8,共4页
文摘
本文采用一种模拟算法对数据非随机缺失(NMAR)机制的检验问题作了初步的探讨.并用一个例子说明NMAR机制的检验问题的合理性.
关键词
数据
非
随机
缺失
机制
模拟算法
似然比检验
检验统计量
选择模型
lgoit模型
Keywords
data not missing at random mechanism
simulation method
likelihood ratio test
test＇s statistic
selection model
log it model
分类号
O212.1 [理学—概率论与数理统计]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
含非随机缺失数据的面板数据参数估计方法
于力超
金勇进
《统计研究》
CSSCI
北大核心
2016
5
下载PDF
职称材料
2
基于增长模型的非随机缺失数据处理:选择模型和极大似然方法
陈楠
刘红云
《心理科学》
CSSCI
CSCD
北大核心
2015
4
下载PDF
职称材料
3
LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型
张杉杉
陈楠
刘红云
《心理学报》
CSSCI
CSCD
北大核心
2017
3
下载PDF
职称材料
4
利用logit模型判定数据缺失机制
孙晓松
《山东理工大学学报（自然科学版）》
CAS
2009
3
下载PDF
职称材料
5
数据非随机缺失机制的检验
孙晓松
汪四水
《雁北师范学院学报》
2007
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
