缺失數據統計分析

內容簡介

本書是面對套用統計學家的，因此更強調例子，而不強調正則條件的精確敘述或定理的證明，但仍希望讀者熟悉基於似然的推斷的基本原則，在6．1節有點簡短的回顧。這本書也假定讀者了解完全數據分析的標準模型——正態線性模型，計數數據的多項模型，以及標準統計分布的性質，特別是多元常態分配的性質。某些章節還假定對統計活動的一些特殊領域是熟悉的，如試驗設計的方差分析(第2章)，抽樣調查(第3、4和5章)，列聯表的對數線性模型(第13章)。一些說明性的例子也會引出其他的統計論題，如因子分析或時間序列(第11章)。

前言
第一部分回顧與基本方法
第一章概論.
1．1 缺失數據的問題
1．2 缺失數據模式
1．3 導致缺失數據的機制
1．4 缺失數據方法的分類
第二章試驗中的缺失數據
2．1 引言
2．2 完全數據的精確的最小二乘解
2．3 缺失數據的正確的最小二乘分析
2．4 填充最小二乘估計
2．5 Bartlett的ANCOVA方法
2．6 僅使用完全數據方法由ANCOVA獲得缺失值的
2．7 標準差的正確的最小二乘估計和一個自由度的平方和
2．8 多於一個自由度的最小二乘平方和
問題
第三章完全個體和可用個體的分析，包括加權方法
3．1 引言
3．2 完全個體分析

3．3 加權的完全個體分析
3．4 可用個體分析
問題
第四章單一借補方法
4．1 引言
4．2 從預測分布借補均值
4．3 從預測分布中抽取借補值
4．4 結論
問題
第五章借補不確定性的估計
5．1 引言
5．2 由單一填充數據集提供有效的標準誤差的借補方法
5．3 用再抽樣的借補數據的標準誤差
5．4 多重借補的介紹
5．5 再抽樣方法和多重借補的比較
問題
第二部分用於缺失數據分析的基於似然的方法
第六章基於似然函式的推斷理論
6．1 完全數據基於似然的估計的回顧
6．2 不完全數據基於似然的推斷
6．3 極大似然以外通常有缺陷的方法：對參數和缺失數據極大化
6．4 對粗化數據的似然理論
問題
第七章因子化似然方法，忽略缺失數據機制
7．1 引言
7．2 具有一個變數不回響的二元正態數據：ML估計(極大似然估計)
7．3 二元正態單調數據：小樣本推斷
7．4 兩個以上變數的單調數據
7．5 對特殊的非單調模式的因子化
問題
第八章缺失數據一般模式的極大似然，可忽略不回響的介紹和理論
8．1 另一種可選用的計算策略
8．2 EM算法的介紹
8．3 EM的正步和M步..
8．4 EM算法的理論
8．5 EM的推廣
8．6 混合極大化方法
問題
第九章基於極大似然估計的大樣本推斷
9．1 基於信息陣的標準誤差
9．2 無需計算已觀測信息矩陣的估計並求逆，產生標準誤差
問題
第十章貝葉斯和多重借補
10．1 貝葉斯疊代模擬方法
10．2 多重借補
問題
第三部分不完全數據分析的基於似然的方法：一些例子
第十一章多元正態的例子，可忽略缺失數據機制
11．1 引言
11．2 正態下有缺失數據時均值向量和協差陣的推斷
11．3 有限制協差陣的估計
11．4 多元線性回歸
11．5 一個一般的有缺失數據的重複度量模型
11．6 時間序列模型
問題
第十二章穩健估計
12．1 引言
12．2 一元樣本的穩健估計
12．3 均值和協差陣的穩健估計
12．4 t模型的進一步擴展
問題
第十三章未完全分類的列聯表模型，忽略缺失數據機制
13．1 引言
13．2 單調多項數據的因子化似然
13．3 有一般缺失數據模式的多項分布樣本的ML和貝葉斯估計
13．4 不完全分類列聯表的對數線性模型
問題
第十四章有缺失值的正態和非正態混合數據，可忽略缺失數據機制
14．1 引言
14．2 一般的位置模型
14．3 有參數制約的一般的位置模型
14．4 連續和分類變數混合的回歸問題
14．5 一般的位置模型的進一步擴展
問題
第十五章不可忽略缺失數據模型
15．1 引言
15．2 不可忽略模型的似然理論
15．3 具有已知不可忽略缺失數據機制的模型：分組的和歸併的數據
15．4 正態的選擇模型
15．5 正態模式混合模型
15．6 正態重複測量數據的不可忽略模型
15．7 分類數據的不可忽略模型
問題
參考文獻

缺失數據統計分析

基本介紹

內容簡介

目錄

相關詞條

熱門詞條