基于观测方差的加权Stein估计

Whittemore(1989)针对在各观测点等误差的情形提出了一种参数估计的方法,其基本思想是:当观测误差来自方差已知的高斯分布时,用带有观测误差的观测样本的Stein估计代替不可观测的协变量的真实值.对于各观测误差的方差不相等的情况,提出了基于观测方差的加权估计方程的概念,并通过数据模拟证明了由加权估计方程解出的估计(记为加权的Stein估计)的优越性.

缺失数据处理方法的研究进展

缺失数据问题在实际研究工作中是不可避免的，而现有统计方法的应用大都基于完整数据，因而如何恰当处理缺失数据是研究者所关心的问题。故本文将探讨不同缺失机制下缺失数据处理方法的理论框架及应用特点，以促进缺失数据处理方法在卫生统计调查中的实际应用。

失效信息随机缺失时可加危险率模型的统计推断

对失效信息随机缺失时的可加危险率模型的估计进行研究.充分利用失效信息和缺失信息的概率模型的信息,通过构建估计方程,得到回归参数和基准累积风险函数的3个估计.证明了所提估计的渐近正态性,并进行数值模拟研究其有限样本性质.利用数值模拟研究比较所提估计与文献中的估计的有限样本性质,并通过分析一个实际数据验证了本文方法的有效性.

纵向数据的现代分析方法及其功能、说明和注意事项（英文）

纵向研究可用于精神卫生及其服务领域的科研中。纵向数据分析的主要方法是广义线性混合效应模型(GLMM)和加权广义估计方程(WGEE)。虽然这两个模型已被广泛应用,也有大量文献发表,但是人们并没有清晰地描述这些方法间的差别以及方法本身的局限性,缺少相关的文献记录。遗憾的是,有些差别和局限性会明显影响对研究结果的报告、比较和解释。本文回顾了纵向数据分析的两种主要方法,强调两者的相似之处和主要差别。我们使用真实数据和模拟数据着重比较这两类模型的假设、对参数的解释、适用性和局限性,并讨论了将这两种不同的方法用于真实数据研究时的注意事项,提出了相关的警示。

缺失数据下线性EV模型的参数估计

给出EV模型下数据具有随机缺失时,模型参数的一种估计方法,并以一个简单模型为例给出了这种新估计的渐近正态性的具体结果.模拟研究表明,即使在有限样本情形,提出的方法在估计效率上也具有一定优势.

纵向单调缺失数据下线性模型的二次推断函数估计

纵向数据缺失的情况常常发生,文章考虑响应变量带有单调缺失的纵向数据.在逆概率加权广义估计方程(IPWGEE)的基础上,采用二次推断函数(QIF)方法研究线性模型下回归参数的估计问题.在一定的正则条件下,证明了所得估计量的相合性和渐近正态性.最后,通过模拟研究和实例分析验证了所提出方法在有限样本下的实际表现.