圖書標籤: 數學  data  統計學  統計基礎  Missing  方法論  Statistics,  Statistics   

喜歡 Applied Missing Data Analysis 的讀者還喜歡

比較適閤第一次讀，對一些概念的解釋還是很清楚的，可以當做一本入門的工具書吧，例子是基於m-plus的，對於SAS的使用者比如我不是很習慣。

曾幾何時我把刪除有缺失的條目數據視作理所當然，甚至在論文都不做任何討論，後來我纔知道缺損值分析本身就是統計學中一個領域，除瞭直接刪數據，還有填入平均數或做個簡單迴歸進行填充之類看似尚可的做法都是過時且有害的。在介紹缺損值分析的書中，這本也許是最閤適入門的，其最大特色莫過於例子解析的細緻程度幾乎是無微不至，甚至有些許囉嗦，先是最簡單的單變量情景，然後是多變量，全程沒有“無需證明，顯然可得”這樣的套路。雖說是入門，可圍繞在Maximum Likelihood Analyses和Multiple Imputation兩大方法周圍的細節多到不行，這從另一個角度說明估算缺損值的復雜本質需要深入辨析與思考，在實證工作中尤其要解釋清楚數據分析背後的理論閤理性和實踐差異性，最好是能比較不同前提假設下的結果。

比較適閤第一次讀，對一些概念的解釋還是很清楚的，可以當做一本入門的工具書吧，例子是基於m-plus的，對於SAS的使用者比如我不是很習慣。

心理係學生必讀入門讀物。不單單是研究中隨處可見的missing value，還有基本方法。最大似然，貝葉斯，多重插補層層遞進，結構清晰。其中多重插補是重點，我的學習路徑，在已經學過最大似然估計的基礎上，上來看第七章，看多重插補基本框架和必要基礎，需要的假定是MAR,第一phase兩步法是基於隨機迴歸插補和貝葉斯估計。於是到第二章看懂single imputation係和其優缺點，以及MAR與MCAR的區彆。再看第六章貝葉斯估計，再迴頭看第七第八章。如果不想對P步驟有過多細緻的理解，貝葉斯未必要看，理論上學習路徑可以更短。這樣讀下來時間不會很長。迴頭即可用mice包實現。事實上mice包考慮到研究者未必具有貝葉斯背景，已經極大簡化。

比較適閤第一次讀，對一些概念的解釋還是很清楚的，可以當做一本入門的工具書吧，例子是基於m-plus的，對於SAS的使用者比如我不是很習慣。