换一批摘要目的 比较删除法(deletion methods,DM)、基于对数线性模型的多重填补法(multiple imputation of category variables using log-linear model,MILL)及基于潜在类别模型的多重填补法(multiple imputation based on latent class model,MILC)处理分类变量缺失数据的效果,并将MILC应用于实例数据的分析.方法 利用R语言产生不同缺失机制、缺失率和样本含量的多变量缺失模拟数据,运用DM、MILL和MILC处理形成完整数据集并进行logistic回归分析,通过回归系数的偏倚、均方根误差、稳定度和标准误偏倚评价各方法的处理效果.结果 模拟实验表明当缺失率为5％时,三种方法处理效果均较好;随着缺失率的增大,MILL和MILC的各项评价指标均优于DM,且MILC的准确度高于MILL.三种方法处理效果均表现为完全随机缺失优于随机缺失、样本含量1000优于样本含量500.应用MILC对实例数据填补后标准误减小,回归系数估计更准确.结论 本文应用MILL和MILC两种多重填补方法处理分类变量缺失数据均可减少缺失导致的参数估计偏倚.当缺失率＞5％、样本含量1000时,建议应用MILC处理分类变量缺失数据.
更多相关知识
关键词
分类变量缺失数据多重填补潜在类别模型对数线性模型Category variableMissing dataMultiple imputationLatent class modelLog-linear model
栏目名称
发布时间
2016-07-22（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81273183）
- 浏览237
- 被引9
- 下载46
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
