کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10327544 681237 2013 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Bayesian model averaging approach to analyzing categorical data with nonignorable nonresponse
ترجمه فارسی عنوان
یک روش میانگین گیری بیزی برای تحلیل داده های طبقه بندی شده با عدم پاسخ غیر قابل انکار
کلمات کلیدی
داده های گم شده، عدم پاسخ غیر قابل انکار، میانگین بیزی مدل، پوشش سرشماری، شمارش سرشماری، فواصل قابل اعتماد،
ترجمه چکیده
در بسیاری از نظرسنجی ها، هدف این است که نسبت جمعیت با ویژگی خاصی از علاقه را ارزیابی کنید. این مسئله برآورد شده اغلب با عدم پاسخ به بررسی و مشکل در مدل سازی مکانیسم عدم پاسخ، پیچیده می شود. در این مقاله یک روش جدید برای تجزیه و تحلیل داده های قطعی با عدم پاسخ در صورت عدم اطمینان در مورد عدم توانایی وجود دارد که این ایده را در بر می گیرد که بسیاری از مدل های غیرواقعی قابل پیش بینی و غیر قابل تصور غیر قابل قبول وجود دارد. یک کلاس زیرمجموعه اشباع از احتمال کامل، غیر قابل شناسایی، شامل مدل هایی است که ترکیبی از اجزای قابل نادیده و غیر قابل تصور را در نظر گرفته است، و برای به کار انداختن عدم قطعیت مدل، از میانگین استفاده بیزی استفاده می شود. این روش پس از آن با استفاده از اجزای یکنواخت بر اجزای مدل که در ساختار پارتیشن متناسب نیست، گسترش می یابد. این روش با استفاده از داده ها از نظر سنجی میزان اطمینان 2000 و پوشش نشان داده شده است. یک مطالعه شبیه سازی برای ارزیابی عملکرد این روش و مقایسۀ آن با مدل های بیژن محبوب غیر قابل تصور است. نتایج حاصل از مطالعه شبیه سازی نشان می دهد که روش پیشنهاد شده برآوردهای نقطه ای است که می تواند خطای متوسط ​​مربع را کاهش داده و فواصل قابل اعتماد که به طور متوسط ​​بطور متوسط ​​باریک تر هستند و در مقایسه با سایر مقادیر واقعی مقدار پارامتر مدل های غیر قابل تصور، و از این رو، یک روش بهتر برای اندازه گیری عدم قطعیت اضافی به دلیل داده های گم شده فراهم می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
یک روش میانگین گیری بیزی برای تحلیل داده های طبقه بندی شده با عدم پاسخ غیر قابل انکار
چکیده انگلیسی
In many surveys, the goal is to estimate the proportion of the population with a certain characteristic of interest. This estimation problem is often complicated by survey nonresponse and the difficulty in modeling the nonresponse mechanism. In this paper, a new method is developed for analyzing categorical data with nonresponse when there is uncertainty about ignorability, which incorporates the idea that there are many a priori plausible ignorable and nonignorable nonresponse models. A class of saturated submodels of the full, nonidentifiable likelihood, containing models which have mixtures of ignorable and nonignorable components is considered, and Bayesian averaging is used to incorporate model uncertainty. This approach is then extended by using uniform priors on model components which do not fit into the partition structure. This method is illustrated using data from the 2000 Accuracy and Coverage Evaluation Survey. A simulation study is used to evaluate the performance of this method and to compare it to other popular nonignorable Bayesian models. The results of the simulation study show that the proposed method generates point estimates which can have reduced mean squared error, and credible intervals which are often, on average, narrower, and which contain the true value of the parameter more frequently, as compared to other nonignorable models, and hence provides a better method for quantifying the additional uncertainty due to the missing data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 57, Issue 1, January 2013, Pages 600-614
نویسندگان
, ,