On weighting approaches for missing data.
On weighting approaches for missing data.
复制标题
DOI：
10.1177/0962280211403597
复制
发表时间：
2013-02
影响因子：
2.3
通讯作者：
Robins JM
中科院分区：
文献类型：
--
作者：
Li L;Shen C;Li X;Robins JM
我们回顾了在各种缺失数据模式和机制下用于分析缺失数据的逆概率加权（IPW）方法类别。IPW方法基于一种直观的想法，即创建完整案例的加权副本的伪总体，以消除缺失数据引入的选择偏差。然而，根据缺失数据的模式和机制，需要不同的加权方法。我们从一种均匀的缺失数据模式（即一个标量缺失指示符，表明是否观察到完整数据）开始来阐述该方法。然后我们将其推广到更复杂的情形。我们的目标是对现有的IPW方法提供一个概念性的概述，并说明这些方法之间的联系和差异。
We review the class of inverse probability weighting (IPW) approaches for the analysis of missing data under various missing data patterns and mechanisms. The IPW methods rely on the intuitive idea of creating a pseudo-population of weighted copies of the complete cases to remove selection bias introduced by the missing data. However, different weighting approaches are required depending on the missing data pattern and mechanism. We begin with a uniform missing data pattern (i.e., a scalar missing indicator indicating whether or not the full data is observed) to motivate the approach. We then generalize to more complex settings. Our goal is to provide a conceptual overview of existing IPW approaches and illustrate the connections and differences among these approaches.
登录
查看更多内容
影响因子：
1.3
作者：
Chen, MH;Ibrahim, JG;Lipsitz, SR
通讯作者：
Lipsitz, SR
DOI：
10.1007/s11749-009-0138-x
发表时间：
2009-05-01
期刊：
Test (Madrid, Spain)
影响因子：
--
作者：
Ibrahim JG;Molenberghs G
通讯作者：
Molenberghs G
影响因子：
4.5
作者：
Friedman, J;Hastie, T;Tibshirani, R
通讯作者：
Tibshirani, R
影响因子：
2.7
作者：
Rotnitzky, A;Robins, JM
通讯作者：
Robins, JM
影响因子：
3.7
作者：
ROBINS, JM;ROTNITZKY, A
通讯作者：
ROTNITZKY, A