工具变量方法处理不可忽略数据缺失的研究

发布时间：2021-01-07 14:03

　　缺失数据普遍存在于多个领域中.而不可忽略缺失数据,即在给定观察到的数据信息后数据缺失概率仍与缺失数据本身有关,是最难处理的一类缺失数据问题.当存在不可忽略数据缺失时,Robins and Ritov（1997）证明了,为了识别所有的未知参数,原始的数据模型和数据缺失概率模型中至少有一个模型需要具有参数形式.而即便存在参数模型假设,参数模型也仅在一定的条件下才可识别.现阶段,不可忽略缺失数据的可识别性问题仍然是一个棘手的问题.近些年来,Wang et al.（2014）,Zhao and Shao（2015）和 Miao and Tchetgen Tchetgen（2016）在Tang et al.（2003）的基础上提出基于“工具变量”的方法来解决模型可识别性的问题.这类工具变量方法也为不可忽略缺失数据的研究开辟了新的思路和方向.具体来说,工具变量的定义是一个与缺失概率模型无关但与数据模型有关的协变量向量.在满足一定的条件下,工具变量可以帮助识别不可忽略缺失数据问题中的未知参数（Wang et al.,2014;Zhao and Shao,2015）.本文的目的在于,从多个角度研究工具... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：119 页

【学位级别】：博士

【部分图文】：

图１－１本文的主要研宄内容及逻辑图??在处理高维协变量的表现并不稳定．我们基于非参数核回归方法和充分降维（ｓｕｆｆｉｃｉｅｎｔ??ｄｉｍｅｎｓｉｏｎ?ｒｅｄｕｃｔｉｏｎ，?ＳＤＲ）方法，对伪似然方法进行修正，以避免了对高维协变量的联??合分布做?

【参考文献】：
期刊论文
[1]Approximate Conditional Likelihood for Generalized Linear Models with General Missing Data Mechanism[J]. ZHAO Jiwei,SHAO Jun.  Journal of Systems Science & Complexity. 2017(01)



本文编号：2962692