我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
当结果因研究者无法控制的原因而丢失时,有两种不同的方法来调整与结果和丢失相关的协变量的参数估计。一种方法是建模协变量和结果之间的关系,并使用这些关系预测缺失值。另一种方法是对给定协变量的缺失概率进行建模,并将其纳入加权或分层估计。双稳健(DR)程序同时应用这两种类型的模型,如果正确指定了两种模型中的任何一种,则会产生一致的参数估计值。在本文中,我们展示了DR估计可以通过多种方式构建。在一个模拟示例中,我们比较了群体平均数的各种DR和非DR估计的性能,其中两个模型都不正确,但都没有严重错误地指定。使用逆概率作为权重的方法,无论是否为DR,在某些估计倾向很小的情况下,对倾向模型的指定错误都很敏感。许多DR方法的性能优于简单的逆概率加权。然而,我们尝试的DR方法都没有改进基于简单回归的缺失值预测的性能。这项研究并不能代表实践中出现的所有缺失数据问题。但它确实表明,至少在某些情况下,两个错误的模型并不比一个好。
约瑟夫·D·Y·康。 约瑟夫·谢弗(Joseph L.Schafer)。 “解密双重稳健性:从不完整数据估计总体平均数的替代策略比较” 统计师。科学。 22 (4) 523 - 539, 2007年11月。 https://doi.org/10.1214/07-STS227