陈楠
- 作品数：3 被引量：5H指数：2
- 供职机构：北京师范大学心理学院应用实验心理北京市重点实验室更多>>
- 发文基金：国家自然科学基金北京市与中央在京高校共建项目全国教育科学“十二五”规划教育部重点课题更多>>
- 相关领域：哲学宗教更多>>
- 基于增长模型的非随机缺失数据处理:选择模型和极大似然方法被引量：4
- 2015年
- 对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量、非随机缺失比例和随机缺失比例的影响。结果表明,符合前提假设的Diggle-Kenward选择模型的参数估计精度普遍高于ML方法;对于标准误估计值,ML方法存在一定程度的低估,得到的置信区间覆盖比率也明显低于Diggle-Kenward选择模型。
- 陈楠刘红云
- LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型被引量：3
- 2017年
- 追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。(2)DiggleKenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。
- 张杉杉陈楠刘红云
- 基于增长模型的缺失数据处理方法之比较
- 追踪研究中常出现大量的数据缺失,且表现出非随机缺失机制(MNAR),在这种情况下,缺失数据可能会带来估计结果的偏差,从而有可能误导研究结论。文章采用Monte Carlo模拟研究,基于潜变量增长模型,考虑样本量(100,...
- 陈楠刘红云
- 关键词：缺失数据
