کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6870349 681394 2014 21 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust growth mixture models with non-ignorable missingness: Models, estimation, selection, and application
ترجمه فارسی عنوان
مدل های مخلوط مقاومتی با گمراه شدن غیر قابل انکار: مدل ها، برآورد، انتخاب و کاربرد
کلمات کلیدی
مدل های مخلوط رشد داده های خراب غیر قابل انکار، روش های قوی، روش بیزی، معیار انتخاب مدل،
ترجمه چکیده
چالش های موجود در تجزیه و تحلیل مدل های مخلوط رشد عبارتند از داده های گمشده، غلظت ها، برآورد، و انتخاب مدل. چهار مدل از دست رفته غیرواقعی برای بازیابی اطلاعات با توجه به داده های از دست رفته و سه مدل قوی برای کاهش اثر غیر عادی پیشنهاد شده است. یک روش کامل بیزی با استفاده از الگوریتم تقویت داده و روش نمونه گیری گیبس اجرا می شود. معیارهای انتخاب مدل نیز در زمینه بیزی وجود دارد. پس از آن، مطالعات شبیه سازی برای ارزیابی عملکرد مدل ها، روش برآورد بیزی و معیارهای انتخاب در شرایط مختلف انجام می شود. استفاده از مدل ها از طریق تجزیه و تحلیل داده های آموزش و پرورش بر توسعه توانایی های ریاضی کودکان نشان داده شده است. این مدل ها می تواند به طور گسترده ای در تحلیل های طولی در تحقیقات پزشکی، روانشناختی، آموزشی و اجتماعی مورد استفاده قرار گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Challenges in the analyses of growth mixture models include missing data, outliers, estimation, and model selection. Four non-ignorable missingness models to recover the information due to missing data, and three robust models to reduce the effect of non-normality are proposed. A full Bayesian method is implemented by means of data augmentation algorithm and Gibbs sampling procedure. Model selection criteria are also proposed in the Bayesian context. Simulation studies are then conducted to evaluate the performances of the models, the Bayesian estimation method, and selection criteria under different situations. The application of the models is demonstrated through the analysis of education data on children's mathematical ability development. The models can be widely applied to longitudinal analyses in medical, psychological, educational, and social research.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 220-240
نویسندگان
, ,