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

摘要：

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

所属期刊栏目：38

分类号：B841;O212;F830

资助基金：国家自然科学基金;全国教育科学规划项目;北京市与中央在京高校共建项目

在线出版日期：2015-05-19（万方平台首次上网日期，不代表论文的发表时间）

页码：446-451