前辅文
第一部分 回顾与基本方法
第1章 概论
1.1 缺失数据的问题
1.2 缺失模式和缺失机制
1.3 导致缺失数据的机制
1.4 缺失数据方法的分类
问题
第2章 试验中的缺失数据
2.1 引言
2.2 完全数据的精确最小二乘解
2.3 带缺失数据的正确最小二乘分析
2.4 填充最小二乘估计
2.5 Bartlett协方差分析方法
2.6 仅使用完全数据方法由协方差分析获得缺失值的最小二乘估计
2.7 标准误差和单自由度平方和正确最小二乘估计
2.8 多自由度的正确最小二乘平方和
问题
第3章 完全案例和可用案例分析, 包括加权方法
3.1 引言
3.2 完全案例分析
3.3 加权完全案例分析
3.3.4 加权方法的总结
3.4 可用案例分析
问题
第4章 单一填补方法
4.1 引言
4.2 从预测分布中填补均值
4.3 从预测分布中抽取填补值
4.3.1 基于精确模型的抽取
4.3.2 基于非精确模型的抽取: 热卡方法
4.4 结论
问题
第5章 考虑缺失数据的不确定性
5.1 引言
5.2 由单一数据集提供有效标准误差估计的填补方法
5.3 用重抽样的填补数据的标准误差
5.4 多重填补简介
5.5 重抽样方法和多重填补的比较
问题
第二部分 用于缺失数据分析的基于似然的方法
第6章 基于似然函数的推断理论
6.1 完全数据基于似然的估计回顾
6.2 不完全数据基于似然的推断
6.3 极大似然以外一种通常有缺陷的做法:对参数和缺失数据最大化
6.4 粗化数据的似然理论
问题
第7章 当缺失机制可忽略时因子化似然的方法
7.1 引言
7.2 一个变量有缺失的二元正态数据: 极大似然估计
7.3 二元正态单调数据: 小样本推断
7.4 超过两变量的单调缺失
7.5 对特殊的非单调模式的因子化似然
问题
第8章 缺失数据一般模式的极大似然:可忽略不响应的介绍和理论
8.1 另一种可选的计算策略
8.2 期望最大化算法的介绍
8.3 期望最大化的E步和M步
8.4 期望最大化算法的理论
8.5 期望最大化的扩展
8.6 混合最大化方法
问题
第9章 基于极大似然估计的大样本推断
9.1 基于信息矩阵的标准误差
9.2 通过其他方法得到标准误差
问题
第10章 贝叶斯和多重填补
10.1 贝叶斯迭代模拟方法
10.2 多重填补
问题
第三部分 不完全数据分析基于似然的方法: 一些例子
第11章 多元正态例子, 忽略缺失机制
11.1 引言
11.2 正态下有缺失数据时均值向量和协方差矩阵的推断
11.3 带约束协方差矩阵的正态模型
11.4 多重线性回归
11.5 带有缺失数据的一般重复测量模型
11.6 时间序列模型
11.7 测量误差表示为缺失数据
问题
第12章 稳健估计模型
12.1 引言
12.2 通过用长尾分布替换正态分布减少离群值的影响
12.3 倾向性预测的惩罚样条
问题
第13章 未完全分类的列联表模型, 忽略缺失机制
13.1 引言
13.2 单调多项数据的因子化似然
13.3 一般缺失模式下多项样本的极大似然和贝叶斯估计
13.4 未完全分类列联表的对数线性模型
问题
第14章 有缺失值的正态和非正态混合数据, 忽略缺失机制
14.1 引言
14.2 一般位置模型
14.3 带参数约束的一般位置模型
14.4 涉及连续变量和分类变量混合的回归问题
14.5 一般位置模型的进一步推广
问题
第15章 非随机缺失模型
15.1 引言
15.2 已知非随机缺失机制的模型: 分组和归并的数据
15.3 非随机缺失数据的正态模型
15.4 非随机缺失数据的其他模型和方法
问题
参考文献
人名索引
名词索引
译后记
