A Test of Missing Completely at Random for Multivariate Data with Missing Values
多变量缺失数据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：摘要研究一般多变量缺失机制的整体检验，未明确涉及因果设计、面板结构或其他所列细分方向。
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
多变量缺失数据的完全随机缺失检验
- 研究问题
- 多变量数据含缺失值时，如何用单一整体检验评估完全随机缺失，避免逐项均值比较产生多重比较问题？
- 方法与思路
- 作者构造利用全部可用数据的整体统计量，给出渐近零分布，并推导正态且单调缺失模式下的小样本零分布。
- 材料陈述的贡献
- 摘要称，该检验在特定二变量情形退化为标准t检验；有限模拟提示，对小样本的检验可能较保守。
- 阅读关注点
- 应核对完全随机缺失的可检验含义、统计量对分布假设的依赖，以及单调缺失条件和小样本校准方式。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；有限模拟不支持普遍稳健性，未拒绝零假设也不能证明缺失完全随机。
原文摘要
A common concern when faced with multivariate data with missing values is whether the missing data are missing completely at random (MCAR); that is, whether missingness depends on the variables in the data set. One way of assessing this is to compare the means of recorded values of each variable between groups defined by whether other variables in the data set are missing or not. Although informative, this procedure yields potentially many correlated statistics for testing MCAR, resulting in multiple-comparison problems. This article proposes a single global test statistic for MCAR that uses all of the available data. The asymptotic null distribution is given, and the small-sample null distribution is derived for multivariate normal data with a monotone pattern of missing data. The test reduces to a standard t test when the data are bivariate with missing data confined to a single variable. A limited simulation study of empirical sizes for the test applied to normal and nonnormal data suggests that the test is conservative for small samples.