Missing Data in Discrete Time State-Space Modeling of Ecological Momentary Assessment Data: A Monte-Carlo Study of Imputation Methods
生态瞬时评估数据离散时间状态空间建模中的缺失数据：插补方法蒙特卡洛研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究时间序列缺失与离散时间状态空间模型，属于时间序列方法但未指明宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
生态瞬时评估数据离散时间状态空间建模中的缺失数据：插补方法蒙特卡洛研究
- 研究问题
- 生态瞬时评估时间序列存在退出和缺失时，不同缺失机制与处理方法如何影响个体化离散时间、连续测量状态空间模型的参数恢复？
- 方法与思路
- 作者通过蒙特卡洛研究比较多种缺失机制下的参数偏误与变异，考察卡尔曼滤波及多种多重插补方法在状态空间建模中的表现。
- 材料陈述的贡献
- 摘要称部分随机缺失机制下偏误和变异较小，卡尔曼滤波在多数条件下表现突出，而所考察多重插补方法难以恢复参数。
- 阅读关注点
- 核对各缺失机制的生成方式、模型动态结构和缺失比例，检查卡尔曼滤波与插补的具体实现，以及参数恢复的评价指标。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要未说明模拟参数和方法细节，不能将特定实验中的插补困难推广到所有状态空间应用。
原文摘要
When using ecological momentary assessment data (EMA), missing data is pervasive as participant attrition is a common issue. Thus, any EMA study must have a missing data plan. In this paper, we discuss missingness in time series analysis and the appropriate way to handle missing data when the data is modeled as an idiographic discrete time continuous measure state-space model. We found that Missing Completely At Random, Missing At Random, and Time-dependent Missing At Random data have less bias and variability than Autoregressive Time-dependent Missing At Random and Missing Not At Random. The Kalman filter excelled at handling missing data under most conditions. Contrary to the literature, we found that, using a variety of methods, multiple imputation struggled to recover the parameters.