使用集成嵌套拉普拉斯近似处理缺失数据与测量误差的联合贝叶斯框架
统计方法学
2023-03-28 v1
摘要
在处理数据的学科中，协变量中的测量误差（ME）与缺失值往往不可避免，且这两个问题在过去几十年中已分别受到相当关注。然而，尽管大多数研究者熟悉处理缺失数据的方法，在回归模型协变量中考虑 ME 却不常见。此外，尽管存在实际与理论上的相似性，ME 与缺失数据通常被视为两个独立的问题。此处，我们利用连续协变量中的缺失数据是经典 ME 极端情形这一事实，使我们能够使用现有方法，通过采用集成嵌套拉普拉斯近似（INLA）的贝叶斯框架来考虑 ME，从而在同一协变量中同时考虑 ME 与缺失数据。作为一个有用的副产品，我们提出了一种在 INLA 中处理缺失数据的方法，因为这对应于不存在 ME 的特殊情形。此外，我们展示了如何在同一框架中考虑 Berkson ME。在其最广泛的普遍性下，所提出的联合贝叶斯框架可因此考虑 Berkson ME、经典 ME 和缺失数据，或这些中的任意组合，出现在 INLA 可行的回归模型族中相同或不同的连续协变量内。该方法使用模拟数据与真实数据进行了示例说明。我们提供了广泛且完全可复现的补充材料，其中包含使用 {R-INLA} 和 {inlabru} 的详尽文档示例。
引用
@article{arxiv.2303.15240,
title = {A joint Bayesian framework for missing data and measurement error using integrated nested Laplace approximations},
author = {Emma Sofie Skarstein and Sara Martino and Stefanie Muff},
journal= {arXiv preprint arXiv:2303.15240},
year = {2023}
}