缺失数据统计分析 第2版PDF电子书下载

第一章 概论 3

1.1 缺失数据的问题 3

1.2 缺失数据模式 3

第一部 分回顾与基本方法 3

1.3 导致缺失数据的机制 10

1.4 缺失数据方法的分类 16

第二章 试验中的缺失数据 20

2.1 引言 20

2.2 完全数据的精确的最小二乘解 21

2.3 缺失数据的正确的最小二乘分析 22

2.4.1 耶兹（Yates）方法 23

2.4 填充最小二乘估计 23

2.4.2 使用公式计算缺失值 24

2.4.3 迭代寻找缺失值 24

2.4.4 用缺失值协变量的协差分析（ANCOVA） 25

2.5 Bartlett的ANCOVA方法 25

2.5.1 Bartlett方法的有用性质 25

2.5.2 记号 25

2.5.3 参数和缺失的Y值的ANCOVA估计 26

2.5.4 残差平方和和β的协差阵的ANCOVA估计 26

2.6 仅使用完全数据方法由ANCOVA获得缺失值的最小二乘估计 27

2.7 标准差的正确的最小二乘估计和一个自由度的平方和 30

2.8 多于一个自由度的最小二乘平方和 31

问题 33

第三章 完全个体和可用个体的分析，包括加权方法 35

3.1 引言 35

3.2 完全个体分析 35

3.3 加权的完全个体分析 37

3.3.1 加权调整 37

3.3.2 由不响应加权增加的方差 43

3.3.3 后分层和向已知边缘的校准 43

3.3.4 加权数据的推理 45

3.3.5 加权方法的总结 46

3.4 可用个体分析 46

问题 48

第四章 单一借补方法 51

4.1 引言 51

4.2 从预测分布借补均值 53

4.2.1 无条件均值借补 53

4.2.2 条件均值借补 53

4.3 从预测分布中抽取借补值 55

4.3.1 基于明确模型的抽取 55

4.3.2 基于模糊模型的抽取 57

4.4 结论 62

问题 62

5.1 引言 65

第五章 借补不确定性的估计 65

5.2 由单一填充数据集提供有效的标准误差的借补方法 66

5.3 用再抽样的借补数据的标准误差 68

5.3.1 自举法的标准误差 68

5.3.2 大折刀法的标准误差 70

5.4 多重借补的介绍 73

5.5 再抽样方法和多重借补的比较 77

问题 78

第二部 分用于缺失数据分析的基于似然的方法 83

第六章 基于似然函数的推断理论 83

6.1 完全数据基于似然的估计的回顾 83

6.1.1 极大似然估计 83

6.1.2 贝叶斯估计基础 89

6.1.3 大样本的极大似然和贝叶斯推断 90

6.1.4 基于完整后验分布的贝叶斯推断 96

6.1.5 后验分布的模拟抽取值 99

6.2 不完全数据基于似然的推断 101

6.3 极大似然以外通常有缺陷的方法：对参数和缺失数据极大化 106

6.3.1 方法 106

6.3.2 背景 106

6.3.3 例子 107

6.4 对粗化数据的似然理论 109

问题 111

7.1 引言 114

第七章 因子化似然方法，忽略缺失数据机制 114

7.2 具有一个变量不响应的二元正态数据：ML估计（极大似然估计） 115

7.2.1 ML估计 115

7.2.2 大样本协差阵 119

7.3 二元正态单调数据：小样本推断 120

7.4 两个以上变量的单调数据 123

7.4.1 有一个正态变量不响应的多变量数据 123

7.4.2 一般单调模式的似然的因子化 124

7.4.3 单调正态数据用扫描算子的ML计算 125

7.4.4 单调正态数据用扫描算子的贝叶斯计算 133

7.5 对特殊的非单调模式的因子化 134

问题 138

第八章 缺失数据一般模式的极大似然，可忽略不响应的介绍和理论 141

8.1 另一种可选用的计算策略 141

8.2 EM算法的介绍 143

8.3 EM的E步和M步 144

8.4 EM算法的理论 148

8.4.1 收敛性质 148

8.4.2 指数族的EM 150

8.4.3 EM的收敛的速率 152

8.5 EM的推广 154

8.5.1 ECM算法 154

8.5.2 ECME和AECM算法 158

8.5.3 PX—EM算法 159

8.6 混合极大化方法 161

问题 162

第九章 基于极大似然估计的大样本推断 164

9.1 基于信息阵的标准误差 164

9.2 无需计算已观测信息矩阵的估计并求逆，产生标准误差 165

9.2.1 补充的EM算法 165

9.2.2 自举观测到的数据 169

9.2.3 其他的大样本方法 170

问题 171

9.2.4 贝叶斯方法的后验标准误差 171

第十章 贝叶斯和多重借补 173

10.1 贝叶斯迭代模拟方法 173

10.1.1 数据扩张（DA） 173

10.1.2 Gibbs抽样 176

10.1.3 评价迭代模拟的收敛性 178

10.1.4 一些其他的模拟方法 180

10.2 多重借补 181

10.2.1 基于小数量抽取的大样本贝叶斯后验均值和方差的近似 181

10.2.2 使用检验统计量的近似 183

10.2.3 创建多重借补的其他方法 185

10.2.4 在借补和分析中不同模型的使用 188

问题 189

第三部 分不完全数据分析的基于似然的方法：一些例子 193

第十一章 多元正态的例子，可忽略缺失数据机制 193

11.1 引言 193

11.2 正态下有缺失数据时均值向量和协差阵的推断 193

11.2.1 不完全多元正态样本的EM算法 193

11.2.2 估计（θ—θ）的渐近协差阵 195

11.2.3 借助于数据扩张的正态模型的贝叶斯推断 196

11.3 有限制协差阵的估计 201

11.4 多元线性回归 206

11.4.1 限于相依变量有缺失值的线性回归 206

11.4.2 有缺失数据的更一般的回归问题 207

11.5 一个一般的有缺失数据的重复度量模型 210

11.6 时间序列模型 213

11.6.1 引言 213

11.6.2 有缺失值的一元时间序列的自回归模型 213

11.6.3 卡尔曼滤波模型 216

问题 218

第十二章 稳健估计 220

12.1 引言 220

12.2 一元样本的稳健估计 220

12.3 均匀值和协差阵的稳健估计 222

12.3.1 多元完全数据 222

12.3.2 数据有缺失值时均值和协差阵的稳健估计 223

12.3.3 自适应稳健多元估计 224

12.3.4 t模型的贝叶斯推断 226

12.4 t模型的进一步扩展 227

问题 230

第十三章 未完全分类的列联表模型，忽略缺失数据机制 231

13.1 引言 231

13.2 单调多项数据的因子化似然 232

13.2.1 引言 232

13.2.2 单调模式的EM估计 233

13.2.3 估计的精度 239

13.3 有一般缺失数据模式的多项分布样本的ML和贝叶斯估计 241

13.4 不完全分类列联表的对数线性模型 244

13.4.1 完全数据的情形 244

13.4.2 未完全分类表的对数线性模型 248

13.4.3 未完全分类数据的拟合优度检验 251

问题 252

第十四章 有缺失值的正态和非正态混合数据，可忽略缺失数据机制 254

14.1 引言 254

14.2 一般的位置模型 254

14.2.1 完全数据模型和参数估计 254

14.2.2 有缺失值的ML估计 256

14.2.3 E步计算的详情 257

14.2.4 无限制一般的位置模型的贝叶斯计算 259

14.3.1 引言 261

14.3.2 对小格均值的有限制的模型 261

14.3.3 小格概率的对数线性模型 261

14.3 有参数制约的一般的位置模型 261

14.3.4 参数有限制时14.2.2和14.2.3节的算法的修正 264

14.3.5 当分类变量比连续变量有更多观测时的简化 266

14.4 连续和分类变量混合的回归问题 267

14.4.1 有缺失连续变量或分类变量的正态线性回归 267

14.4.2 有缺失连续或分类变量的Logistic回归 268

14.5 一般的位置模型的进一步扩展 269

问题 269

15.1 引言 271

第十五章 不可忽略缺失数据模型 271

15.2 不可忽略模型的似然理论 273

15.3 具有已知不可忽略缺失数据机制的模型：分组的和归并的数据 274

15.4 正态的选择模型 279

15.5 正态模式混合模型 284

15.5.1 一元正态模式混合模型 284

15.5.2 借助参数限制识别的二元正态模式混合模型 288

15.6 正态重复测量数据的不可忽略模型 292

15.7 分类数据的不可忽略模型 295

问题 300

参考文献 303