Главная > Статистический анализ данных с пропусками
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

Глава 11. МОДЕЛИ С НЕИГНОРИРУЕМЫМИ ПРОПУСКАМИ

11.1. ВВЕДЕНИЕ

В разделе 5.3 мы ввели разделение полных данных У на присутствующие и отсутствующие значения и индикаторную матрицу которая определяет структуру пропусков. Мы сформулировали модель через распределение с плотностью зависящей от неизвестного векторного параметра и распределение с плотностью условной по заданному и зависящей от векторного параметра Правдоподобие, игнорирующее механизм порождения пропусков, определялось как любая функция 0, пропорциональная

где получается интегрированием плотности по Полное правдоподобие определялось как любая функция в и пропорциональная

где получается интегрированием плотности по Было показано, что выводы относительно в, основанные на (11.1), эквивалентны МП-оцениванию по (11.2), если 1) пропущенные данные при любых и взятых при наблюденных значениях и 2) параметры и в раздельны в соответствии с определением в разделе 5.3. Все примеры в гл. 6—10 касались моделей с правдоподобием в виде (11.1) и, значит, были основаны на предположении о справедливости условий 1) и 2). В этой главе мы обсуждаем модели, в которых не выполняется ОС, и для МП-оценивания надо иметь модель механизма пропусков и максимизировать полное правдоподобие (11.2).

Важно различать модели, в которых механизм порождения пропусков неигнорируем, но известен, в том смысле, что распределение при заданных зависит от но не зависит от неизвестного параметра и модели, в которых механизм порождения пропусков неигнорируем и неизвестен, что отражается в незнании параметра Простым примером известного неигнорируемого механизма является цензурированная экспоненциальная выборка, ведущая к правдоподобию (5.15). Так как в этом случае значения отсутствуют, если они больше известного цензурирующего значения с, то распределение при заданном У полностью определено. Другие примеры с известным неигнорируемым механизмом даны в разделе 11.3. В этих случаях МП-оценки часто можно вычислять с помощью ЕМ-алгоритма. В разделе 11.2 обсуждается ЕМ-алгоритм в общем случае известного или неизвестного неигнорируемого механизма.

Разделы 11.4-11.6 посвящены моделям с неигнорируемым механизмом порождения пропусков и неизвестным Это значит, что пропуск считается связанным со значениями У некоторым лишь частично известным образом, даже после учета сопутствующей информации X об объектах с пропусками и без пропусков. Большинство рассматриваемых в литературе моделей такого типа относятся к случаю пропусков только в одной переменной. Например, У может быть размером дохода, X — множеством полностью зарегистрированных переменных, таких, как возраст, пол, образование, и можно предполагать, что отсутствие ответа на вопрос о доходе среди людей с одинаковым значением X зависит от размера дохода, но точно эта зависимость неизвестна.

Можно сформулировать два подхода к моделям с неигнорируемыми пропусками. Как и в разделе 5.3, мы можем записать совместное распределение в виде

где первая компонента характеризует распределение У при заданном X в популяции, а вторая — моделирует присутствие ответа

как функцию . С другой стороны, можно записать

где первая плотность характеризует распределение при заданном в слое, определяемом структурой пропусков, а вторая моделирует распределение структур пропусков как функцию только от Обратите внимание: когда пропуски есть только в одной переменной, так что принимает значения и 1, мы обычно не располагаем данными, по которым можно было бы оценить распределение в (11.4), поскольку это распределение относится к объектам с пропуском. Формулировка модели в виде (11.4) позволяет явно увидеть основную трудность, связанную с пропусками в данных. Для успешного развития теории надо уметь связывать распределение для объектов с пропуском с соответствующим распределением для объектов без пропуска. В разделе 11.5 это достигается за счет использования байесовского априорного распределения, связывающего параметры двух распределений.

Формулировка (11.3) применяется для моделей, обсуждаемых в разделах 11.3 и 11.4. Мы увидим, что в некоторых случаях параметры модели можно оценить, не включая в явном виде информацию, связывающую объекты с пропуском и объекты без пропуска, в отличие от моделей, основанных на (11.4). Однако данное свойство обманчиво, поскольку здесь эта информация задается неявно. Следовательно, для обоих вариантов, (11.3) и (11.4), чувствительность к формулировке модели является в одинаковой степени серьезной научной проблемой. Во многих приложениях исследователю нужно вычислять оценки для нескольких различных моделей порождения пропусков, а не полагаться исключительно на одну модель.

1
Оглавление
email@scask.ru