缺失数据线性混合处理.docxVIP

缺失数据线性混合处理

缺失数据线性混合处理

数据缺失在统计建模与工程实测中几乎无法避免，当研究对象同时具有固定效应与随机效应、且响应变量或协变量存在未观测值时，简单的删除样本或单点插补往往会破坏分组结构、低估标准误并扭曲方差组分估计。线性混合模型以残差最大似然、受限极大似然和贝叶斯层次建模为基础，能够在保留聚类相关性的前提下对缺失机制作出显式假设，因此缺失数据线性混合处理并不是把空白格填满这样单一动作，而是一套从模型设定、缺失机制判断、似然构造、插补路径到计算诊断的连续流程。实际系统中，受试者内重复测量、多站点传感网络、面板数据中的个体随机截距、空间块段中的随机斜率，都会使缺失不再是同分布下的