首页 > 文献资料
-
缺失数据多重估算NORM软件应用
目的:介绍多变量正态分布资料缺失数据的估算与NORM软件的应用.方法:以实例阐述多重估算的步骤与软件实现.结论:NORM软件应用可充分地挖掘缺失数据资料的信息,为大型数据分析提供有力的分析技术.
-
基于结构方程模型的缺失数据填补方法比较
目的 :对比删除法、多重填补、EM算法、全息极大似然估计4种处理缺失数据的方法在结构方程模型中的应用.方法 :研究数据来自一项对广东省某医学高校大学新生的学前调查,调查对象共计2503人.本研究先使用4种方法对缺失数据进行填补,并分别建立测量模型.采用4个模型拟合指标对4种方法的处理效果进行比较,分析不同方法的优缺点.结果 :多重填补和全息极大似然估计方法对缺失数据处理结果相似,且优于其他两种方法;EM算法获得的标准误小,删除法的处理效果差.结论 :不同的缺失数据处理方法各有优缺点,因此在进行缺失数据处理时,可尝试使用多种方法进行比较,选取较为合适的方法.
-
缺失数据的识别与处理
目的：数据缺失在调查研究中是一个非常普遍的现象，它的出现造成部分原始样本信息的损失，在一定程度上危害研究结果的有效性，需要引起研究者的重视。缺失数据产生的3类机制为完全随机缺失、随机缺失、非随机缺失。目前常见的缺失数据处理方法包括删除法、加权调整法、插补法、参数似然法，其各有优缺点，应针对缺失数据产生的机制选择相应的处理方法。
-
关于缺失临床数据的一种数据修复技术研究
目的:利用原始的临床数据集里包含的有效信息解决临床数据中经常发生的数据缺失问题,以此提高预测和分类的准确性,从而为临床经验较少的医师提供帮助以纠正医生的主观意见.方法:首先,利用原始数据中隐含属性之间的关联性,同时结合专家知识,建立起数据集属性的修复结构;第二步,使用类神经网络的反向传播(BP)算法修复第一步中各个待修复数据子集中的缺失值;后,用贝叶斯网络来检验修复后的临床数据集是否有效地提高了分类精度.结果:我们从UCI数据集中挑选出合适的临床数据集在Matlab7.0的环境下进行实验,分别比较了它们在不同随机缺失比例下经修复后对分类效果的影响.实验证明该数据修复方法较一般的均值修补法更能提高分类的精度.结论:在缺失的临床数据集中使用本文中介绍的方法,对得到准确的诊断结果具有很大的帮助.
-
基因表达谱缺失数据填补估计方法的研究进展与探讨
基因芯片能为基因组学研究提供海量的基因表达谱数据，这些数据反映了基因在不同组织细胞的不同生长发育阶段或不同生理状态下表达水平的变化［1‐2］。但是，由于基因表达谱的海量性、复杂性、噪声性和高维性特点，特别是缺失数据值的大量存在［3‐5］，给后续的数据分析带来了较大困难，也产生了一些问题：观察到的数据与缺失数据间的差异所产生的偏倚，严重影响后续分析结果的客观性和正确性，从而导致后续分析质量的可靠性和稳健性降低，使得整个分析效率降低；另外，由于缺失数据的存在，经常得出难以解释的结果。因此，如何根据基因表达谱数据信息的特性进行有效的缺失值估计与填补是生物数据分析中重难点，并对后续基因表达谱的不同分析目的（如差异表达基因筛选、基因功能聚类、肿瘤组织分类）将产生重要的生物学影响［6‐9］。本文针对基因表达谱缺失数据的特性，就当前国内外基因表达谱缺失数据的处理方法进行简要概述，在分析其各自优缺点基础上，提出并探讨一种新的填补估计方法。
-
样本选择模型的似然估计与两步估计
[目的]介绍样本选择模型及其估计方法.[方法]应用样本选择模型对模拟数据进行分析,并与传统线性回归模型进行比较.[结果]对于特定条件下的缺失数据,样本选择模型比传统的线性回归模型更合理,并可以提高模型参数估计的效率.[结论]样本选择模型在医学研究中拥有广泛的应用前景.
-
多重填补处理有缺失数据的2×2交叉设计资料的计算机模拟
目的: 探讨利用Rubin提出的多重填补的方法处理有缺失数据的2×2交叉设计的资料,以避免医学科研中常常发生观测数据的缺失而造成统计分析的困难. 方法: 用MI对缺失数据进行填补,用标准的统计程序对填补后的数据集分析,后用MIANALYZE综合各个数据集的统计分析结果. 结果: 多重填补的方法可用于交叉设计中缺失数据的填补并得出正确的统计推断. 结论: MI与MIANALYZE为处理存在缺失数据的2×2交叉设计的资料提供了有效的策略.
-
医学科研中缺失数据的EM估计
目的探讨一种数据补缺的统计方法,以避免医学科研中常常发生观测数据的缺失而造成统计分析的困难. 方法通过数据间的相关信息,应用E M算法和生长曲线模型进行数据分析. 结果给出了EM算法的迭代步骤,并用软件SAS/IML编程实现. 结论通过EM补缺,可以保证资料分析的有效性,且EM算法补缺使参数估计的方差大大变小,从而提高了参数估计精度.
-
追踪研究中缺失数据处理方法及应用现状分析
追踪研究中普遍存在缺失数据，缺失数据处理方法的选择影响统计推断的精度及研究结果的有效性。首先，阐述缺失机制及判断方法，比较追踪研究中主要的缺失数据处理方法的特点、及实际应用中的缺失处理方法的选择和软件实现。其次，对国内心理学中92篇追踪研究文献进行分析，发现有59篇(64.13%)报告不同程度缺失，其中仅39篇报告了处理方法且均为删除法。未来研究应深入探讨现有缺失数据处理方法的有效性，进一步规范应用研究中缺失数据的处理。
-
缺失数据处理的期望-极大化算法与马尔可夫蒙特卡洛方法
缺失数据普遍存在于心理学研究中,影响着统计推断.极大似然估计(MLE)与基于贝叶斯的多重借补(MI)是处理缺失数据的两类重要方法.期望-极大化算法(EM)是寻求MLE的一种强有力的方法.马尔可夫蒙特卡洛方法(MCMC)可以相对简易地实现MI,而且可以适用于复杂情况下的缺失数据处理.结合研究的需要讨论了实现这两类方法的适用软件.
关键词： 缺失数据 期望-极大化算法 马尔可夫蒙特卡洛方法 极大似然估计 多重借补
