具体描述
Statistical power analysis has revolutionized the ways in which we conduct and evaluate research. Similar developments in the statistical analysis of incomplete (missing) data are gaining more widespread applications. This volume brings statistical power and incomplete data together under a common framework, in a way that is readily accessible to those with only an introductory familiarity with structural equation modeling. It answers many practical questions such as: How missing data affects the statistical power in a study How much power is likely with different amounts and types of missing data How to increase the power of a design in the presence of missing data, and How to identify the most powerful design in the presence of missing data. Points of Reflection encourage readers to stop and test their understanding of the material. Try Me sections test one's ability to apply the material. Troubleshooting Tips help to prevent commonly encountered problems. Exercises reinforce content and Additional Readings provide sources for delving more deeply into selected topics. Numerous examples demonstrate the book's application to a variety of disciplines. Each issue is accompanied by its potential strengths and shortcomings and examples using a variety of software packages (SAS, SPSS, Stata, LISREL, AMOS, and MPlus). Syntax is provided using a single software program to promote continuity but in each case, parallel syntax using the other packages is presented in appendixes. Routines, data sets, syntax files, and links to student versions of software packages are found at www.psypress.com/davey. The worked examples in Part 2 also provide results from a wider set of estimated models. These tables, and accompanying syntax, can be used to estimate statistical power or required sample size for similar problems under a wide range of conditions. Class-tested at Temple, Virginia Tech, and Miami University of Ohio, this brief text is an ideal supplement for graduate courses in applied statistics, statistics II, intermediate or advanced statistics, experimental design, structural equation modeling, power analysis, and research methods taught in departments of psychology, human development, education, sociology, nursing, social work, gerontology and other social and health sciences. The book's applied approach will also appeal to researchers in these areas. Sections covering Fundamentals, Applications, and Extensions are designed to take readers from first steps to mastery.
作者简介
目录信息
读后感
评分
评分
评分
评分
用户评价
我从事的是临床试验的数据管理工作，我们面临的挑战往往是高度异质性和不均衡的随访数据。过去几年，我们团队处理缺失数据时，经常陷入“平均值替代”或者“最后观测值结转”（LOCF）的泥潭，因为这些方法简单，但其偏差的后果在医疗领域是灾难性的。这本书的出现，为我们提供了一个更科学、更负责任的替代方案。书中对权重估计方程（WLS）和广义估计方程（GEE）在处理纵向数据缺失时的应用进行了详细的对比和论述，这些内容对于我们处理非独立和同分布（NID）的数据结构至关重要。虽然书名中包含了“统计功效分析”，但它对缺失数据处理的深度挖掘，已经远远超越了一般意义上的统计方法论书籍。它更像是一本高级的、面向应用研究人员的“数据完整性保障手册”。我尤其欣赏作者在论述中穿插的案例分析，那些来自实际生物统计领域的例子，帮助我迅速将理论知识映射到我们的临床试验数据结构中。阅读完相关章节后，我们团队内部立即开始评估引入更复杂的插补策略的可能性，这直接提升了我们数据分析的严谨性。
评分从纯数学统计的角度来看，这本书的理论深度是相当可观的，它在处理“功效”与“缺失”这两个高度相关的复杂主题时，展现了作者深厚的功底。我之前总觉得，当数据存在严重缺失时，对精确功效的计算几乎是一种奢望，因为缺失机制本身就带有随机性，任何基于“完美数据”假设的功效计算都显得虚假。然而，这本书巧妙地将两者结合起来，探讨了在不同缺失率和缺失机制下，研究功效是如何被系统性地削弱的，并提供了如何在设计阶段就将“缺失容忍度”纳入功效考量的具体方法。这种超越传统功效分析框架的视野，令人耳目一新。它不是简单地告诉你缺失会降低功效，而是通过严谨的模型，展示了这种降低的程度和路径依赖性。对于那些致力于开发新型统计检验方法的理论研究者来说，这本书提供的基础框架和潜在的改进方向是极其宝贵的。它提供的不仅仅是现成的工具，更是一种看待统计推断稳健性的全新视角。
评分我是一名研究生，目前正在撰写我的硕士论文，课题方向是社会科学中量化分析的应用。坦白说，在正式接触这本教材之前，我对“统计功效分析”这个概念的理解非常肤浅，仅停留在“样本量计算”这一层面。这本书的出现，彻底颠覆了我的认知框架。它并非一本单纯的样本量计算手册，而是一部关于“研究设计优化”的实战指南。作者从最基础的效应量（Effect Size）的定义和选择开始，循序渐进地探讨了功效如何受到α错误率、总体方差、以及最重要的——模型复杂度的影响。我发现书中对不同检验方法，比如t检验、ANOVA，乃至更复杂的回归模型和结构方程模型（虽然后者着墨不多，但提及的角度非常精辟），其功效的理论基础和计算流程讲解得极为清晰。尤其让我印象深刻的是，它强调了功效分析不仅用于研究启动前，更应该贯穿于整个研究过程，作为检验研究效度的重要工具。对于我这种初学者而言，这本书的结构严谨，逻辑链条清晰，它让我第一次真正理解了“统计功效”不仅仅是一个数字，而是保障研究结论可靠性的“保险栓”。
评分这本书的排版和语言风格，对于非英语母语的读者来说，友好度相当高。尽管内容涉及高级统计概念，但作者的叙述风格极其沉稳、逻辑清晰，几乎没有使用那些故作高深的行话来故弄玄虚。每当引入一个新的复杂概念，比如贝叶斯框架下的缺失数据处理思路，作者总会先用一段精炼的语言勾勒出其核心思想，再逐步展开细节，这大大降低了阅读障碍。我个人特别喜欢它在每一章节末尾设置的“关键概念回顾”和“深入思考题”，这些不是那种简单的选择题，而是引导你对当前章节的假设和限制进行批判性思考。例如，它会追问：“如果你假设的数据缺失机制与实际情况不符，你的功效评估结果在多大程度上会失效？”这种引导性的提问，迫使读者从被动接受知识转变为主动构建知识体系。这本书的价值在于，它不仅仅是一本工具书，更像是一位经验丰富导师的循循善诱，让你在处理复杂数据问题的道路上，走得更自信、更扎实。
评分这本书的封面设计实在算不上惊艳，朴实到近乎简陋，但对于我这种常年在统计学和数据分析领域摸爬滚打的人来说，内容才是王道。我一开始接触到这本书，是因为我在处理一个长期跟踪的队列研究数据时，遇到了棘手的长期缺失数据问题。市面上很多关于缺失数据处理的书籍，要么过于理论化，充斥着复杂的矩阵代数和极限理论，读起来令人头疼，要么就是操作指南，只停留在软件操作层面，缺乏对不同插补方法背后的统计学假设和适用场景的深入剖析。这本书给我带来的惊喜在于，它似乎找到了一个极佳的平衡点。作者没有回避那些必要的数学推导，但总是能巧妙地将复杂的概念转化为直观的解释，尤其是关于多重插补（Multiple Imputation）的论述，那几章简直是拨云见日。书中对MCAR、MAR、MNAR这三种缺失机制的辨析，详尽且富有洞察力，远超我以往读过的任何教材。它不仅仅是教你“如何做”，更是在引导你思考“为什么这么做”以及“这种做法在我的特定情境下是否合理”。我特别欣赏其中关于敏感性分析的部分，提醒研究者永远不要把插补的结果视为金科玉律，而是要探索不同假设下结果的稳健性。这对于任何严肃的实证研究来说，都是至关重要的一课。
评分 评分 评分 评分 评分相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有