Multiple imputation for missing data - A cautionary tale
Multiple imputation for missing data - A cautionary tale
复制标题
DOI：
10.1177/0049124100028003003
复制
发表时间：
2000-02-01
影响因子：
6.3
通讯作者：
Allison, PD
中科院分区：
文献类型：
--
作者：
Allison, PD
用模拟数据评价了两种产生缺失数据多重插补的算法。当预测变量的数据随机缺失或完全随机缺失时，使用具有近似贝叶斯自举的倾向评分分类器的软件会产生严重偏倚的回归系数估计。另一方面，采用数据增强算法的基于回归的方法产生的估计值几乎没有或没有偏差。
Two algorithms for producing multiple imputations for missing data are evaluated with simulated data. Software using a propensity score classifier with the approximate Bayesian bootstrap produces badly biased estimates of regression coefficients when data on predictor variables ape missing at random or missing completely at random. On the other hand a regression-based method employing the data augmentation algorithm produces estimates with little or no bias.