Multiple imputation inference for multivariate multilevel continuous data with ignorable non-response.
Multiple imputation inference for multivariate multilevel continuous data with ignorable non-response.
复制标题
DOI：
10.1098/rsta.2008.0038
复制
发表时间：
2008-07-13
期刊：
影响因子：
--
通讯作者：
Yucel RM
中科院分区：
文献类型：
--
作者：
Yucel RM
由于计算统计取得了许多进展，而且老练的统计消费者的认识有所提高，在广泛的统计分析中专门针对缺失值的方法现在已成为严肃的统计思维的一部分。尽管在缺失数据的理论和应用方法方面取得了许多进展，但多层次应用中的缺失数据方法缺乏同等的发展。在本文中，我认为一个流行的推理工具，通过多重插补在多层次的应用与缺失值。我特别考虑在任何观测单位水平上任意发生的缺失值。我使用贝叶斯参数从缺失数据的基础（后验）预测分布中绘制多重插补。众所周知的混合效应模型的多变量扩展构成了模拟后验预测分布的基础，因此创建了多重插补。这些主题的讨论表明，在应用程序中评估相关的特殊医疗保健需求的儿童心理保健未满足的需求。
Methods specifically targeting missing values in a wide spectrum of statistical analyses are now part of serious statistical thinking due to many advances in computational statistics and increased awareness among sophisticated consumers of statistics. Despite many advances in both theory and applied methods for missing data, missing-data methods in multilevel applications lack equal development. In this paper, I consider a popular inferential tool via multiple imputation in multilevel applications with missing values. I specifically consider missing values occurring arbitrarily at any level of observational units. I use Bayesian arguments for drawing multiple imputations from the underlying (posterior) predictive distribution of missing data. Multivariate extensions of well-known mixed-effects models form the basis for simulating the posterior predictive distribution, hence creating the multiple imputations. The discussion of these topics is demonstrated in an application assessing correlates to unmet need for mental health care among children with special health care needs.
登录
查看更多内容
影响因子：
1.5
作者：
Schafer, JL
通讯作者：
Schafer, JL
影响因子：
5.7
作者：
MENG, XL
通讯作者：
MENG, XL
DOI：
10.1198/106186002760180608
发表时间：
2002-06-01
影响因子：
2.4
作者：
Schafer, JL;Yucel, RM
通讯作者：
Yucel, RM
影响因子：
1.8
作者：
Horton, NJ;Lipsitz, SR;Parzen, M
通讯作者：
Parzen, M
影响因子：
1.9
作者：
Liu, MZ;Taylor, JMG;Belin, TR
通讯作者：
Belin, TR