换一批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
LGM-based analyses with missing data:Comparison between ML method and Diggle-Kenward selection model
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)Diggle-Kenward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.
更多相关知识
关键词
潜变量增长模型非随机缺失机制Diggle-Kenward选择模型极大似然方法latent growth modelmissing not at randomDiggle-Kenward selection modelmaximum likelihood approach
分类号
B841
栏目名称
DOI
10.3724/SP.J.1041.2017.00699
发布时间
2017-06-14（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览5
- 被引2
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
