面向不可忽略缺失性的多重插补的潜在变量框架：基于欧洲社会调查的社会正义感知分析
统计方法学
2025-09-26 v1
摘要
本文提出了一种用于分析大规模缺失值数据的通用多重插补方法。从潜在变量模型诱导的联合分布中推导出插补模型，该模型能够灵活地捕捉混合类型变量之间的关联。该模型还允许缺失性取决于潜在变量，从而相对于观察数据是不可忽略的。我们发展了一种该框架下的频率主义多重插补方法，并提供了渐近理论，证明了该方法对广泛的分析模型具有有效推断能力。模拟研究确认了该方法的理论属性和稳健的实践性能。该方法应用于跨国分析个体对其社会中收入分配公平性的感知，使用来自欧洲社会调查（European Social Survey）的数据，该数据存在显著的非响应缺失。分析结果表明，若未能考虑不可忽略的缺失性，会导致结论偏差；例如，完整案例分析会夸大了个人收入与社会中收入分配公平性感知之间相关性的程度。实现本方法的源码已公开于https://anonymous.4open.science/r/non-ignorable-missing-data-imputation-E885。
引用
@article{arxiv.2509.21225,
title = {A Latent Variable Framework for Multiple Imputation with Non-ignorable Missingness: Analyzing Perceptions of Social Justice in Europe},
author = {Siliang Zhang and Yunxiao Chen and Jouni Kuha},
journal= {arXiv preprint arXiv:2509.21225},
year = {2025}
}