缺失数据的问题在现实生活中是普遍存在的，比如在市场调研、医学研究中都会出现，导致我们收集到的数据是不完全的，而传统的统计方法是不能直接应用到数据存在缺失的样本上，所以有必要对数据进行处理，常用的办法是对缺失的数据进行填补，在得到完全数据后，在利用统计方法推断。当今统计界对缺失数据的研究依然是是一个很热门的领域。在缺失数据的回归模型研究中，取得了很多优秀的成果。Cheng(1994)[1]利用非参数和回归填补得到“完全样本”并给出了响应变量均值的渐近正态性和渐近方差的相合估计。Wang and Rao(2001)[2]利用固定补足得到“完全样本”在线性模型回归系数的经验似然置信域。邱涛(2010)[4]利用逆概率加权的办法构造了x=x0,x∈Rp条件下，经验似然比统计量的极限分布，构造的m(x0)的经验似然置信域不需要调整，有很好的精度。\n 本文在第二章，假设在MAR缺失机制下，利用均值来插补缺失的数据，得到了一个完全样本，并定义了EY的经验似然比统计量，证明了其的极限分布，创新之处在于构造的经验似然比统计量满足条件x=x0,x∈Rp，用此结果构造m(x0)的经验似然置信域时，不需要调整，提高了置信区间的精度.第三章给出了当协变量缺失时，在线性回归模型中，利用逆概率加权填补法，得到了一个“完全数据”，构造了参数β的渐近分布，利用此结果构造参数的置信域，得到了较好的结果。
暂无评论