Missing responses in generalised linear mixed models when the missing data mechanism is nonignorable
不可忽略缺失机制下广义线性混合模型的缺失响应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：摘要聚焦缺失响应和混合模型计算，未明确面板结构或处理效应识别，不能仅凭随机效应模型归入所列细分。
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广义线性混合模型的缺失响应
- 研究问题
- 当响应缺失机制不可忽略且缺失模式非单调时，如何估计广义线性混合模型参数，并描述缺失指示变量的相关性？
- 方法与思路
- 作者用 Gibbs 抽样实现 Monte Carlo EM，积分消去正态随机效应，并用一维条件分布序列构造联合缺失模型。
- 材料陈述的贡献
- 摘要称，给出便于计算极大似然估计与标准误的解析步骤，并提出允许任意相关结构、可能减少干扰参数的缺失模型。
- 阅读关注点
- 应核对响应模型与缺失机制联合建模的识别条件、条件分布的相容性，以及 Monte Carlo EM 的收敛和标准误计算。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明非可忽略缺失下的识别条件，计算效率表述也不足以证明普遍优势。
原文摘要
We propose a method for estimating parameters in the generalised linear mixed model with nonignorable missing response data and with nonmonotone patterns of missing data in the response variable. We develop a Monte Carlo EM algorithm for estimating the parameters in the model via the Gibbs sampler. For the normal random effects model, we derive a novel analytical form for the E‐ and M‐steps, which is facilitated by integrating out the random effects. This form leads to a computationally feasible and extremely efficient Monte Carlo EM algorithm for computing maximum likelihood estimates and standard errors. In addition, we propose a very general joint multinomial model for the missing data indicators, which can be specified via a sequence of one‐dimensional conditional distributions. This multinomial model allows for an arbitrary correlation structure between the missing data indicators, and has the potential of reducing the number of nuisance parameters. Real datasets from the International Breast Cancer Study Group and an environmental study involving dyspnoea in cotton workers are presented to illustrate the proposed methods.