Testing ignorable missingness in estimating equation approaches for longitudinal data
纵向数据估计方程方法中可忽略缺失的检验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：摘要研究纵向重复观测数据中的缺失模式与估计方程检验，直接关联面板数据方法。
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
纵向数据估计方程方法中可忽略缺失的检验
- 研究问题
- 在纵向数据的拟似然或估计方程分析中，如何检验缺失是否可忽略，即相关估计方程的均值为零性质是否成立？
- 方法与思路
- 作者提出统一的广义得分型检验，用单一二次型统计量检验是否存在共同参数，使各缺失模式的估计方程均值为零。
- 材料陈述的贡献
- 摘要称该方法避免对每种缺失模式分别进行完整参数估计，并通过模拟和真实数据与按模式比较参数估计的方案对照。
- 阅读关注点
- 应核对模式特定估计方程的构造、共同参数原假设、得分统计量的分布条件，以及这种可忽略性与缺失机制的关系。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；检验针对估计方程的零均值性质，不能据此认定所有意义下的缺失均可忽略。
原文摘要
We address the matter of determining whether or not missing data in longitudinal studies are ignorable with regard to quasilikelihood or estimating equations approaches. This involves testing for whether or not the zero‐mean property of estimating equations holds true. Chen & Little (1999) proposed testing for significant differences among parameter estimators calculated from sample subsets with different patterns of missing data, whereas we propose a more unified generalised score‐type test. This avoids exhaustive estimation of parameters for each missing‐data pattern, testing instead with a single quadratic score test statistic whether or not there is a common parameter under which the means of all the pattern‐specific estimating equations are zero. Comparisons are made for the two approaches with both simulations and real data examples.