NMAR机制下线性回归模型参数的Bayesian估计.pdfVIP

第29卷第2期 长春师范学院学报(自然科学版) 2010年 4月 V01．29 No．2 JournalofChangehunNormalUniversity(NaturalScience} Apr．2010 NMAR机制下线性回归模型参数的Bayesian估计 孙晓松 ，朱鹏程2 (1．连云港师范高等专科学校数学系，江苏连云港 222006；2．连云港市统计局，江苏连云港 222006) [摘 要】当数据缺失机制为非随机缺失 (NMAR)时，线性回归模型中的参数估计是一个复杂的问 题 ．本文采用贝叶斯 (Bayesian)方法，并利用 MCMC方法、选择模型和Gibbs抽样方法，求得了参数 的Bayesian估计，用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。 [关键词]缺失机制；线性模型；选择模型；loslt模型；Gibbs抽样；Bayesian估计 [中图分类号】O212．8 [文献标识码】A [文章编号]1008—178X(2010)02—0015—03 在研究实际问题的过程中，经常会有一些数据无法获取或缺失．目前，插?b(imputation)是处理缺失数据的 常用方法，即给每一个缺失数据一些替代值，如此得到 “完全数据集”后，再使用标准的完全数据统计方法进行 数据分析与统计推断． 20世纪 80年代前后，学者们发展了多种单一插补方法，而单一插补往往会低估估计量的方差，为改善这 一 弊端，Rubin提出了多重插~l,CZ】的方法．经过多年的发展和完善，多重插补得到了广泛应用并在 sAS等统计 软件中采用．多重插补是一种以模拟为基础的方法，对每个缺失值产生多(m1)个合理的插补值，得到 m组 完全数据，使用标准的完全数据方法分析每组数据并融合分析结果得出整体推断．[]常用的多重插补法有回归 预测法、倾向得分法和MCMC方法三种．3【J 本文采用MCMC方法对线性模型中的缺失数据进行插补，从而得到参数的贝叶斯(Bayesian)估计 ． 1 缺失机制4【】 若 y中有缺失，此时记 Y=( ， )为 rt×l的完全数据矩阵，其中 表示 】，的观测部分， 表示y 的缺失部分．记 R是一个，t×P的指示变量矩阵，若 y的元素观测到，尺的元素取值为 l，若 y的元素缺失，R 的元素取值为0．在缺失机制的研究中考虑概率P(RlY，)，是与缺失机制有关的某个未知参数． 若 P(Rl ，y ，)=P(Rl ，)，缺失机制是随机缺失(^4L媪)； 若 P(RI ，l，，)=P(RI)，缺失机制是完全随机缺失(MQ )； 可见，MCAR指缺失数据是来 自总体的一个简单随机抽样，缺失机制与 值无关，它是MAR的一种特殊情 况． 若 P(Rl ， ，)=P(RI ，)或者就是 P(RI】，， ，)本身，缺失机制是NMAR． 此外，称数据模型参数 和缺失指示变量参数 是可分的，如果知道 不提供 的任何信息，反之亦然．如 果随机缺失和可分性都满足，则称为可忽略的缺失机制，否则称为不可忽略机制． 2 模型介绍 本文讨论线性模型的参数回归问题，首先介绍线性模型的一般表示方法： Y= +e，E(e)=0，Coy(e)=0．2，． (1) 这里，Y是 7／,×1的观测向量， 为n×P已知矩阵，通常称为设计矩阵且假设 rk()=P．是P×l未知参 数向量，e为，l×1随机误差向量． 当模型(1)中观测变量Y出现缺失时，缺失机制可能有三种，本文主要讨论当缺失机制为NMAR时数据的 处理来求得模型(1)的参数估计． Heumann(2003)指出，缺失指示变量 和观测y的联合分布可以做如下分解： 【收稿日期】2010—01—08 作【者简介】孙晓松 (1981一)，女，江苏连云港人，连云港师范高等专科学校数学系助教，硕士，中级统计师，从事数理统 计研究。 · l5 · ．