Bayesian Multilevel Latent Class Models for the Multiple Imputation of Nested Categorical Data.
Bayesian Multilevel Latent Class Models for the Multiple Imputation of Nested Categorical Data.
复制标题
DOI：
10.3102/1076998618769871
复制
发表时间：
2018-10
期刊：
影响因子：
--
通讯作者：
van Deun K
中科院分区：
文献类型：
--
作者：
Vidotto D;Vermunt JK;van Deun K
在这篇文章中，我们提出了使用贝叶斯多层潜在类（BMLC;或混合）模型的多重插补嵌套分类数据。与最近开发的方法，只能拿起变量对之间的关联，我们提出的多级混合模型是足够灵活的，可以自动处理复杂的相互作用的联合分布的变量估计。在正式介绍了该模型，并展示了它是如何实现的，我们进行了模拟研究和真实数据的研究，以评估其性能，并将其与常用的列表删除和可用的R-例程进行比较。结果表明，BMLC模型是能够恢复无偏参数估计的分析模型，在我们的研究中考虑，以及正确地反映由于缺失数据的不确定性，优于竞争的方法。
With this article, we propose using a Bayesian multilevel latent class (BMLC; or mixture) model for the multiple imputation of nested categorical data. Unlike recently developed methods that can only pick up associations between pairs of variables, the multilevel mixture model we propose is flexible enough to automatically deal with complex interactions in the joint distribution of the variables to be estimated. After formally introducing the model and showing how it can be implemented, we carry out a simulation study and a real-data study in order to assess its performance and compare it with the commonly used listwise deletion and an available R-routine. Results indicate that the BMLC model is able to recover unbiased parameter estimates of the analysis models considered in our studies, as well as to correctly reflect the uncertainty due to missing data, outperforming the competing methods.
登录
查看更多内容
DOI：
10.1027/1614-2241/a000146
发表时间：
2018-04-01
影响因子：
3.1
作者：
Vidotto, Davide;Vermunt, Jeroen K.;Van Deun, Katrijn
通讯作者：
Van Deun, Katrijn
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：
7
作者：
Schafer, JL;Graham, JW
通讯作者：
Graham, JW
影响因子：
1.8
作者：
Horton, NJ;Lipsitz, SR;Parzen, M
通讯作者：
Parzen, M
影响因子：
3
作者：
Hoijtink, H;Notenboom, A
通讯作者：
Notenboom, A