Model selection and model averaging after multiple imputation

انتخاب مدل و متوسط ​​سازی مدل، دو روش مهم برای به دست آوردن مدل های عملی و مفید در تحقیقات کاربردی هستند. با این حال، در حال حاضر شناخته شده است که بسیاری از مسائل پیچیده، به ویژه در زمینه انتخاب مدل، زمانی که ماهیت تصادفی فرایند انتخاب نادیده گرفته می شود و تخمین ها، خطاهای استاندارد و فاصله اطمینان محاسبه می شود، به شرط اینکه که مدل انتخاب شده شناخته شده است پیشین. در حالیکه مدل میانگین سازی، عدم قطعیت مربوط به فرایند انتخاب مدل را با ترکیب پیش بینی ها بر روی مجموعه ای از مدل ها می سازد، هنوز بحث هایی درباره ساختار تفسیر مناسب و فاصله اطمینان وجود دارد. این مشکلات حتی در صورت وجود اطلاعات از دست رفته پیچیده تر می شوند و در حال حاضر کاملا مشخص نیست که چگونه باید ادامه داد. برای مقابله با چنین شرایطی، یک چارچوب برای انتخاب مدل و میانگین مدل در زمینه داده های گم شده پیشنهاد شده است. تمرکز بر روی تقسیم چندگانه به عنوان یک استراتژی برای مقابله با گمراهی است: ترکیبی در نتیجه با میانگین میانگین مدل، هدف قرار دادن هر دو عدم اطمینان مربوط به انتخاب مدل و با فرایند محاسبه است. علاوه بر این، عملکرد بوت استرپینگ به عنوان یک پسوند انعطاف پذیر برای چارچوب ما ارزیابی می شود. شبیه سازی مونت کارلو برای نشان دادن ماهیت برآوردگرهای پیشنهادی در زمینه مدل رگرسیون خطی استفاده می شود. مفاهیم عملی رویکرد ما با استفاده از یک مطالعه بقای اخیر بر تبدیل فرهنگ خلط در سل ریوی نشان داده شده است.