【摘要】：追蹤研究中缺失數(shù)據(jù)十分常見。本文通過Monte Carlo模擬研究,考察基于不同前提假設(shè)的Diggle-Kenward選擇模型和ML方法對(duì)增長參數(shù)估計(jì)精度的差異,并考慮樣本量、缺失比例、目標(biāo)變量分布形態(tài)以及不同缺失機(jī)制的影響。結(jié)果表明:(1)缺失機(jī)制對(duì)基于MAR的ML方法有較大的影響,在MNAR缺失機(jī)制下,基于MAR的ML方法對(duì)LGM模型中截距均值和斜率均值的估計(jì)不具有穩(wěn)健性。(2)DiggleKenward選擇模型更容易受到目標(biāo)變量分布偏態(tài)程度的影響,樣本量與偏態(tài)程度存在交互作用,樣本量較大時(shí),偏態(tài)程度的影響會(huì)減弱。而ML方法僅在MNAR機(jī)制下輕微受到偏態(tài)程度的影響。
[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.
【作者單位】： 首都經(jīng)濟(jì)貿(mào)易大學(xué)勞動(dòng)經(jīng)濟(jì)學(xué)院;北京師范大學(xué)心理學(xué)院應(yīng)用實(shí)驗(yàn)心理北京市重點(diǎn)實(shí)驗(yàn)室;艾美仕市場(chǎng)調(diào)研咨詢(上海)有限公司;
【基金】：國家自然科學(xué)基金項(xiàng)目(31571152) 北京市與中央在京高校共建項(xiàng)目(019-105812) 未來教育高精尖創(chuàng)新中心 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助
【分類號(hào)】：B841

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 葉素靜;唐文清;張敏強(qiáng);曹魏聰;;追蹤研究中缺失數(shù)據(jù)處理方法及應(yīng)用現(xiàn)狀分析[J];心理科學(xué)進(jìn)展;2014年12期

【共引文獻(xiàn)】

相關(guān)期刊論文 前7條

1 張杉杉;陳楠;劉紅云;;LGM模型中缺失數(shù)據(jù)處理方法的比較:ML方法與Diggle-Kenward選擇模型[J];心理學(xué)報(bào);2017年05期

2 謝翹楚;姚毅;;電網(wǎng)歷史數(shù)據(jù)缺失及補(bǔ)錄研究[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2017年02期

3 董書陽;梁熙;張瑩;王爭艷;;母親積極養(yǎng)育行為對(duì)兒童順從行為的早期預(yù)測(cè)與雙向作用:從嬰兒到學(xué)步兒[J];心理學(xué)報(bào);2017年04期

4 周敏林;章海濤;陸夢(mèng)潔;鐘偉華;劉玉秀;;臨床縱向數(shù)據(jù)缺失的隨機(jī)效應(yīng)模式混合模型及SAS實(shí)現(xiàn)[J];中國臨床藥理學(xué)與治療學(xué);2016年09期

5 汪新光;王高尚;;基于反應(yīng)傾向建模的缺失數(shù)據(jù)處理方法[J];科技展望;2016年25期

6 黃菲菲;張敏強(qiáng);;社會(huì)網(wǎng)絡(luò)分析中缺失數(shù)據(jù)的處理方法[J];心理技術(shù)與應(yīng)用;2016年08期

7 楊寧;;兒童早期投入對(duì)人類健康的貢獻(xiàn)及其他——2014年《科學(xué)》雜志關(guān)于早期投入之研究報(bào)告讀后感[J];教育導(dǎo)刊(下半月);2015年06期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 孫婕;金勇進(jìn);戴明鋒;;關(guān)于數(shù)據(jù)缺失機(jī)制的檢驗(yàn)方法探討[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2013年12期

2 季家超;王剛;張瀟雅;劉桂芬;;數(shù)據(jù)非隨機(jī)缺失機(jī)制的混合效應(yīng)模式混合模型分析與應(yīng)用[J];中國衛(wèi)生統(tǒng)計(jì);2013年02期

3 楊林山;曹亦薇;;貝葉斯理論框架下的2種縱向缺失數(shù)據(jù)處理方法的比較——以潛在變量增長曲線模型為例[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

4 龐新生;;缺失數(shù)據(jù)處理方法的比較[J];統(tǒng)計(jì)與決策;2010年24期

5 易昆南;袁中萸;;對(duì)模擬縱向數(shù)據(jù)集缺失值處理的幾種方法比較[J];湖南工業(yè)大學(xué)學(xué)報(bào);2008年02期

6 風(fēng)笑天;;追蹤研究:方法論意義及其實(shí)施[J];華中師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版);2006年06期

7 茅群霞,李曉松;多重填補(bǔ)法Markov Chain Monte Carlo模型在有缺失值的婦幼衛(wèi)生縱向數(shù)據(jù)中的應(yīng)用[J];四川大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);2005年03期

，

本文編號(hào)：2407942