收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

密集型追踪数据中数据的缺失机制及缺失比例对时变效应模型估计精度的影响

肖悦  刘红云  
【摘要】:密集型追踪数据(Intensive Longitudinal Data,ILD)是对一个或多个随时间变化的变量进行密集、大量的重复测量的数据(WallSchafer,2006)。这类数据能提供丰富的信息,但其复杂性使得传统的追踪数据分析方法不再适用。传统的追踪数据分析方法通常假定变量的变化服从某个特定形状,且无法处理协变量与结果变量之间随时问变化的关系。Tan等(2012)提出的时变效应模型(Time-Varying Effect Model,TVEM)用样条估计的方法直接从数据中得到系数函数的信息,很好地解决了上述问题。但TVEM对缺失数据采用的是Listwise的处理方法。对于传统的追踪数据分析方法,数据的缺失机制以及缺失比例是结果估计精度的重要影响因素之一,尤其当数据是非随机缺失时,大多数缺失数据处理方法都会产生有偏的估计结果。那么对于TVEM,数据的缺失机制和缺失比例对其模型估计会造成怎样的影响?此外,已有研究主要关注的是TVEM对系数函数——截距β_0(t_(ij))和斜率β_1(t_(ij))的估计情况,而鲜少有研究关注模型中的个体水平随机项a_i和b_i的估计情况。本研究采用蒙特卡洛模拟研究的方法,根据y_(ij)=β_0(t_(ij))+β_1(t_(ij))·x_(ij)+a_i+b_i·t_(ij)+ε_(ij)(i表示个体,i表示重复测量次数)生成反应数据,探讨追踪数据中数据缺失机制(随机缺失MAR和非随机缺失MNAR)和缺失比例(永久缺失比例:5%,10%,20%,40%;暂时缺失比例:0%,10%,20%)对TVEM各参数估计精度的影响。使用误差均方根评价模型的估计精度。研究结果如下:1)对于截距β_0(t_(ij))和斜率β_1(t_(ij)),永久缺失比例越高,或暂时缺失比例越低,其估计精度越低;2)对于个体水平随机项a_i和b_i,在MAR下,其精度随着永久缺失比例增大而降低,但在MNAR下,永久缺失比例对a_i的估计精度影响很小,只有b_i的精度随永久缺失比例的增大而降低;3)TVEM在MNAR下的参数估计比在MAR下稍更精确;4)总体上,由于使用样条估计的方法,TVEM对系数函数的估计较为准确,且受到数据缺失机制和缺失比例的影响较小,但对个体水平随机项a_i和b_i的估计有较大偏差,且b_i的估计精度会更明显地受到缺失机制和缺失比例的影响。

知网文化
【相似文献】
中国期刊全文数据库 前20条
1 康春花;孙金玲;孙小坚;曾平飞;;缺失数据比率和处理方法对非随机缺失数据能力参数估计准确性的影响[J];江西师范大学学报(自然科学版);2017年03期
2 董学思;林丽娟;赵杨;魏永越;戴俊程;陈峰;;多组学联合缺失数据填补方法的评价[J];中国卫生统计;2017年04期
3 鄂旭;林爽;金璐璐;;海产品安全预警系统缺失数据填补方法[J];计算机工程与应用;2015年11期
4 杨金英;崔朝杰;;图模型方法用于二值变量相关性分析中缺失数据的估计[J];中国卫生统计;2012年05期
5 许凯;何道江;;有缺失数据的条件独立正态母体中参数的最优同变估计[J];数学学报(中文版);2016年06期
6 王军;李建勋;韩山;王兴;;一种效能评估中缺失数据的填充方法[J];上海交通大学学报;2017年02期
7 吴洁琼;吕小纳;党志军;;网络高并发信息的缺失数据修复方法仿真[J];信息通信;2017年11期
8 马俊涛;高梅国;董健;;基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法[J];电子与信息学报;2016年06期
9 郝胜轩;宋宏;周晓锋;;一种基于双聚类的缺失数据填补方法[J];计算机应用研究;2015年03期
10 喻成林;黄强;李钢;;观测站缺失数据修复的神经网络模型研究[J];矿山测量;2014年01期
11 帅平;李晓松;周晓华;刘玉萍;;缺失数据统计处理方法的研究进展[J];中国卫生统计;2013年01期
12 张伟;冯萍;赵永红;袁佳英;李梅;;加权估计方程用于缺失数据的处理[J];中国卫生统计;2013年03期
13 詹棠森;;缺失数据调整修正优化磨光法研究及陶瓷中的应用[J];中国陶瓷;2012年06期
14 刘海军;柳征;姜文利;周一宇;;基于缺失数据填补的辐射源识别方法[J];宇航学报;2010年05期
15 庞新生;;缺失数据处理方法的比较[J];统计与决策;2010年24期
16 李开灿;黄学维;;有缺失数据的正态母体参数的后验分布及其抽样算法[J];应用数学学报;2009年02期
17 苏毅娟;钟智;;代价敏感的缺失数据有序填充算法[J];计算机工程;2009年17期
18 金勇进;处理缺失数据中辅助信息的利用[J];统计研究;1998年01期
19 肖庆宪,李俊德;市场预测中的缺失数据问题[J];河南师范大学学报(自然科学版);1994年03期
20 李保东;亢金轩;;结构方程建模缺失数据填补方法研究[J];统计与咨询;2011年01期
中国重要会议论文全文数据库 前10条
1 肖悦;刘红云;;密集型追踪数据中数据的缺失机制及缺失比例对时变效应模型估计精度的影响[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年
2 印明辉;秦婷婷;伏振;严明明;尹平;;贝叶斯累加回归树模型处理缺失数据研究[A];2017年中国卫生统计学学术年会论文集[C];2017年
3 耿直;葛丹丹;;纵向研究非随机缺失数据分析[A];中国现场统计研究会第12届学术年会论文集[C];2005年
4 刘红云;;追踪研究中非随机缺失数据的处理:基于模型的方法及其应用[A];第十五届全国心理学学术会议论文摘要集[C];2012年
5 管河山;姜青山;Steven X.Wei;;一种处理缺失数据的新方法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
6 孙金玲;;混合测验中非随机缺失数据的缺失比率与处理方法对IRT参数估计的影响[A];第十八届全国心理学学术会议摘要集——心理学与社会发展[C];2015年
7 李晓煦;侯杰泰;;结构方程中缺失数据的处理:FIML,EM与MI[A];全国教育与心理统计测量学术年会论文摘要集[C];2006年
8 周晓东;汤银才;费鹤良;;定数转换步加试验缺失数据场合下的参数估计[A];中国现场统计研究会第十三届学术年会论文集[C];2007年
9 蒋青嬗;;门限空间随机前沿模型估计方法研究[A];21世纪数量经济学(第18卷)[C];2017年
10 叶素静;唐文清;张敏强;;追踪研究中缺失数据的处理方法述评[A];心理学与创新能力提升——第十六届全国心理学学术会议论文集[C];2013年
中国博士学位论文全文数据库 前10条
1 龚奇源;面向数据发布的数据匿名技术研究[D];东南大学;2016年
2 陆福忠;数据缺失下的分布函数估计问题[D];复旦大学;2007年
3 骆汝九;多指标综合评价的非参数方法和缺失数据的聚类方法研究[D];扬州大学;2011年
4 郭东林;缺失数据下几类回归模型的估计方法与理论[D];北京工业大学;2017年
5 马友;基于QoS缺失数据预测的个性化Web服务推荐方法研究[D];北京邮电大学;2015年
6 罗显贵;带缺失数据列联表与半参数非线性动态因子模型的统计推断[D];云南大学;2015年
7 祝丽萍;几种缺失数据和高维数据模型的统计分析[D];山东大学;2012年
8 闫富荣;语者识别鲁棒性技术的研究[D];北京邮电大学;2017年
9 刘旭;在完全和缺失数据下基于非光滑估计方程的统计推断与变量选择问题[D];云南大学;2010年
10 彭倩倩;遗传流行病学纵向分析中的若干统计问题:数据分析与降维[D];复旦大学;2012年
中国硕士学位论文全文数据库 前10条
1 孙金玲;心理问卷调查中随机缺失数据处理方法研究[D];浙江师范大学;2017年
2 董学思;多组学缺失数据联合填补方法评价及其应用[D];南京医科大学;2017年
3 周巾裕;基于Bayes估计和Rasch模型拟合的考试缺失数据分析[D];贵州师范大学;2017年
4 雷伟;带有不可忽略缺失数据的混合线性模型的贝叶斯统计推断[D];云南大学;2016年
5 金成美;缺失数据填补方法研究[D];辽宁工业大学;2011年
6 朱建斐;数据集缺失数据恢复算法研究[D];西安电子科技大学;2015年
7 王玲;混合型缺失数据的填补方法研究[D];辽宁大学;2017年
8 李少琼;纵向研究二分类缺失数据处理及加权估计方程的应用[D];山西医科大学;2015年
9 徐世坤;基于分段形态表示的冶金能源缺失数据填补[D];大连理工大学;2013年
10 朱金林;基于贝叶斯网络的缺失数据系统故障诊断研究[D];江南大学;2013年
中国重要报纸全文数据库 前1条
1 刘若帆宋林;诗邦金A6+1:凭借其质提高其量[N];农资导报;2008年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978