Testing unit root non-stationarity in the presence of missing data in univariate time series of mobile health studies
移动健康研究中缺失单变量时间序列的单位根检验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。
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：摘要研究单变量时间序列的单位根检验、状态空间处理和缺失机制，直接对应时间序列；健康应用本身不改变方法分类。
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…
移动健康研究中缺失单变量时间序列的单位根检验
- 研究问题
- 移动健康时间序列存在随机缺失或非随机缺失时，如何调整原本针对完整数据的 ADF 单位根检验，并评估缺失机制的影响？
- 方法与思路
- 作者利用状态空间模型开展最大似然估计与多重插补以调整 ADF 检验，并提出非随机缺失敏感性分析，结合模拟及患者数据评估。
- 材料陈述的贡献
- 摘要称，论文将单位根检验扩展到更复杂的缺失情形，比较既有与提出的方法，并应用于一项多年双相障碍患者智能手机研究。
- 阅读关注点
- 应核对状态空间设定、不同缺失机制下的检验校准、插补不确定性的处理，以及敏感性参数如何刻画非随机缺失。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未报告检验尺寸和功效，未拒绝单位根也不能据此证明平稳。
原文摘要
The use of digital devices to collect data in mobile health (mHealth) studies introduces a novel application of time series methods, with the constraint of potential data missing at random (MAR) or missing not at random (MNAR). In time series analysis, testing for stationarity is an important preliminary step to inform appropriate later analyses. The augmented Dickey-Fuller (ADF) test was developed to test the null hypothesis of unit root non-stationarity, under no missing data. Beyond recommendations under data missing completely at random (MCAR) for complete case analysis or last observation carry forward imputation, researchers have not extended unit root non-stationarity testing to a context with more complex missing data mechanisms. Multiple imputation with chained equations, Kalman smoothing imputation, and linear interpolation have also been proposed for time series data, however such methods impose constraints on the autocorrelation structure, and thus impact unit root testing. We propose maximum likelihood estimation and multiple imputation using state space model approaches to adapt the ADF test to a context with missing data. We further develop sensitivity analysis techniques to examine the impact of MNAR data. We evaluate the performance of existing and proposed methods across different missing mechanisms in extensive simulations and in their application to a multi-year smartphone study of bipolar patients.