A test of missing completely at random for generalised estimating equations with missing data
缺失数据广义估计方程中的完全随机缺失检验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。
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：摘要明确将方法应用于含缺失值的纵向数据，与面板数据中的缺失问题直接相关。
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…
关注这篇论文的作者
缺失数据广义估计方程中的完全随机缺失检验
- 研究问题
- 数据不完整时，如何在广义估计方程框架下检验完全随机缺失，以辅助判断是否需要调整方程来处理潜在偏差？
- 方法与思路
- 作者基于信息分解与重组提出Wald型检验，该程序也提供参数估计方法，并通过模拟考察检验表现。
- 材料陈述的贡献
- 摘要称，方法将完全随机缺失检验引入估计方程设置，并可用于评估含缺失值纵向数据的边际广义估计方程。
- 阅读关注点
- 应核对检验如何构造信息分解、需要哪些模型条件，以及拒绝或不拒绝原假设对后续估计方程调整意味着什么。
- 阅读边界
- 索引摘要版本未注明，未报告检验大小、功效或模拟数值；不拒绝完全随机缺失不能据此证明缺失机制成立。
原文摘要
We consider inference from generalised estimating equations when data are incomplete. A test for missing completely at random is proposed to help decide whether or not we should adjust estimating equations to correct the possible bias introduced by a missing-data mechanism that is not missing completely at random. Likelihood ratio tests have been introduced to test the missing completely at random hypothesis (Fuchs, 1982; Little, 1988). For the estimating equation setting, following the basic idea of Little (1988), we propose a Wald-type test based on an information decomposition and recombination procedure, which also provides an alternative method for estimating parameters. One application of the test is to assess the adequacy of the marginal generalised estimating equation for longitudinal data with missing values. Simulations are done to evaluate its performance. Keywords:Drop-out; Incomplete data; Longitudinal data; Missing-data mechanism.