共變數有缺失之長期追蹤資料下不同插補方法之模型選擇比較

陳柏良(BO-LIANG CHEN)

指導教授 ： 沈仲維

國立中正大學/理學院/數學系統計科學研究所/碩士(2015年)

摘要

本文針對共變數有缺失之長期追蹤資料下且資料缺失情形為隨機遺失(MAR)之情況下，使用刪去法及不同插補方法對其做處理，再使用Liang和Zeger在1986年提出的廣義估計方程式(generalized estimating equation，簡稱GEE)分析經過處理過後的長期追蹤資料。Shen和Chen在2012年提出模型選擇方法MLIC(missing longitudinal information criterion)可以在反應變數資料為單調遺失(monotone)且為隨機遺失(MAR)之狀況下進行模型選擇，也可以使用在沒有缺失的長期追蹤資料。本文目的在於針對共變數有缺失之長期追蹤資料且資料缺失情形為隨機遺失(MAR)之情況下，比較使用不同處理方法過後的完整資料做模型選擇，建議研究者利用何者插補法較為適合。

關鍵字

廣義估計方程式 ； 模型選擇

並列摘要

This paper is focus on the model selection of missing covariates longitudinal data, we use missing longitudinal information criterion (Shen and Chen, 2012 MLIC) to calculate it. MLIC is the selection of the mean model when the response are subject to monotone missingness and MAR (missing and random) or complete data. We use different imputation method to imputation missing covariates longitudinal and calculate MLIC then compare which imputation method is the
best.

並列關鍵字

GEE ； MLIC

參考文獻

2.Xie, F. and Paik, M. C. (1997). Multiple Imputation Methods for the Missing Covariates in Generalized Estimating Equation.

3.Liang, K.-Y. and Zeger, S. L. (1986). Longitudinal data analysis with generalized linear models.

4.Little, R. (1988). Missing-data adjustments in large surveys, Journal of Business and Economic.

5.Mallows, C. L. (1973). Some comments on Cp.

6.Pan, W. (2001). Akaike's information criterion in generalized estimating equations.