缺失數(shù)據(jù)普遍存在于多個領(lǐng)域中.而不可忽略缺失數(shù)據(jù),即在給定觀察到的數(shù)據(jù)信息后數(shù)據(jù)缺失概率仍與缺失數(shù)據(jù)本身有關(guān),是最難處理的一類缺失數(shù)據(jù)問題.當存在不可忽略數(shù)據(jù)缺失時,Robins and Ritov（1997）證明了,為了識別所有的未知參數(shù),原始的數(shù)據(jù)模型和數(shù)據(jù)缺失概率模型中至少有一個模型需要具有參數(shù)形式.而即便存在參數(shù)模型假設(shè),參數(shù)模型也僅在一定的條件下才可識別.現(xiàn)階段,不可忽略缺失數(shù)據(jù)的可識別性問題仍然是一個棘手的問題.近些年來,Wang et al.（2014）,Zhao and Shao（2015）和 Miao and Tchetgen Tchetgen（2016）在Tang et al.（2003）的基礎(chǔ)上提出基于“工具變量”的方法來解決模型可識別性的問題.這類工具變量方法也為不可忽略缺失數(shù)據(jù)的研究開辟了新的思路和方向.具體來說,工具變量的定義是一個與缺失概率模型無關(guān)但與數(shù)據(jù)模型有關(guān)的協(xié)變量向量.在滿足一定的條件下,工具變量可以幫助識別不可忽略缺失數(shù)據(jù)問題中的未知參數(shù)（Wang et al.,2014;Zhao and Shao,2015）.本文的目的在于,從多個角度研究工具... 

【文章來源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：119 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－１本文的主要研宄內(nèi)容及邏輯圖??在處理高維協(xié)變量的表現(xiàn)并不穩(wěn)定．我們基于非參數(shù)核回歸方法和充分降維（ｓｕｆｆｉｃｉｅｎｔ??ｄｉｍｅｎｓｉｏｎ?ｒｅｄｕｃｔｉｏｎ，?ＳＤＲ）方法，對偽似然方法進行修正，以避免了對高維協(xié)變量的聯(lián)??合分布做?

【參考文獻】：
期刊論文
[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)



本文編號：2962692