Asymptotic Bias in the Linear Mixed Effects Model Under Non-Ignorable Missing Data Mechanisms
不可忽略缺失机制下线性混合效应模型的渐近偏差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：摘要明确研究纵向重复观测数据、线性混合效应模型及个体进入退出造成的缺失，与面板数据问题直接相关。
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
不可忽略缺失机制下线性混合效应模型的渐近偏差
- 研究问题
- 纵向数据不满足随机缺失假设时，退出、延迟进入及其他缺失模式会怎样影响线性混合效应模型参数的渐近偏差？
- 方法与思路
- 作者针对不可忽略的退出、进入及其他缺失模式建立渐近偏差理论，并区分这些模式对斜率和截距相关参数的影响。
- 材料陈述的贡献
- 摘要称退出者仅有一次或无观测时斜率相关偏差较大，延迟进入时截距相关偏差明显，并考察另外八种缺失模式。
- 阅读关注点
- 应核对缺失机制与纵向模型设定、各参数渐近偏差的表达，以及观测次数和进入时间为何影响不同参数。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断偏差数值、方向或适用范围；摘要未提供修正方法，也不能将结论推广到所有缺失机制。
原文摘要
Summary In longitudinal studies, missingness of data is often an unavoidable problem. Estimators from the linear mixed effects model assume that missing data are missing at random. However, estimators are biased when this assumption is not met. In the paper, theoretical results for the asymptotic bias are established under non-ignorable drop-out, drop-in and other missing data patterns. The asymptotic bias is large when the drop-out subjects have only one or no observation, especially for slope-related parameters of the linear mixed effects model. In the drop-in case, intercept-related parameter estimators show substantial asymptotic bias when subjects enter late in the study. Eight other missing data patterns are considered and these produce asymptotic biases of a variety of magnitudes.