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

发布时间：2019-01-12 15:43

【摘要】：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。
[Abstract]:Missing data is common in tracking studies. In this paper, Monte Carlo simulation is used to investigate the difference between Diggle-Kenward selection model based on different premise assumptions and ML method for estimating growth parameters, and to consider sample size and missing ratio. The distribution of target variables and the effects of different deletion mechanisms. The results show that: (1) the deletion mechanism has great influence on the ML method based on MAR, and under the MNAR deletion mechanism, The ML method based on MAR is not robust to the estimation of intercept mean and slope mean in LGM model. (2) DiggleKenward selection model is more susceptible to the degree of skewness of target variables, and there is interaction between sample size and skewness degree. When the sample size is large, the effect of skewness will weaken. However, the ML method is only slightly affected by the degree of skewness under the MNAR mechanism.
【作者单位】： 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;
【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) 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
【分类号】：B841

【参考文献】

相关期刊论文 前1条

1 叶素静;唐文清;张敏强;曹魏聪;;追踪研究中缺失数据处理方法及应用现状分析[J];心理科学进展;2014年12期

【共引文献】

相关期刊论文 前7条

1 张杉杉;陈楠;刘红云;;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[J];心理学报;2017年05期

2 谢翘楚;姚毅;;电网历史数据缺失及补录研究[J];四川理工学院学报(自然科学版);2017年02期

3 董书阳;梁熙;张莹;王争艳;;母亲积极养育行为对儿童顺从行为的早期预测与双向作用:从婴儿到学步儿[J];心理学报;2017年04期

4 周敏林;章海涛;陆梦洁;钟伟华;刘玉秀;;临床纵向数据缺失的随机效应模式混合模型及SAS实现[J];中国临床药理学与治疗学;2016年09期

5 汪新光;王高尚;;基于反应倾向建模的缺失数据处理方法[J];科技展望;2016年25期

6 黄菲菲;张敏强;;社会网络分析中缺失数据的处理方法[J];心理技术与应用;2016年08期

7 杨宁;;儿童早期投入对人类健康的贡献及其他——2014年《科学》杂志关于早期投入之研究报告读后感[J];教育导刊(下半月);2015年06期

【二级参考文献】

相关期刊论文 前7条

1 孙婕;金勇进;戴明锋;;关于数据缺失机制的检验方法探讨[J];数学的实践与认识;2013年12期

2 季家超;王刚;张潇雅;刘桂芬;;数据非随机缺失机制的混合效应模式混合模型分析与应用[J];中国卫生统计;2013年02期

3 杨林山;曹亦薇;;贝叶斯理论框架下的2种纵向缺失数据处理方法的比较——以潜在变量增长曲线模型为例[J];江西师范大学学报(自然科学版);2012年05期

4 庞新生;;缺失数据处理方法的比较[J];统计与决策;2010年24期

5 易昆南;袁中萸;;对模拟纵向数据集缺失值处理的几种方法比较[J];湖南工业大学学报;2008年02期

6 风笑天;;追踪研究:方法论意义及其实施[J];华中师范大学学报(人文社会科学版);2006年06期

7 茅群霞,李晓松;多重填补法Markov Chain Monte Carlo模型在有缺失值的妇幼卫生纵向数据中的应用[J];四川大学学报(医学版);2005年03期

，

本文编号：2407942