用于缺失数据（MAR）下的层次线性模型的兼容插值：连续和分类协变量的交互作用

本文聚焦于贝叶斯估计层次线性模型（HLM），该模型来自假设缺失完全随机（MAR）的不完全数据，其中连续协变量C和离散分类协变量$D$对连续响应$R具有交互作用。在小样本量下，最大似然估计次优，现有Gibbs抽样器基于与HLM兼容的贝叶斯联合分布，但通过常数方差的提议正态密度对$C$和$D$的潜在连续变量$D^*$进行缺失值插值，而目标条件分布的方差为非常量。因此，这些抽样器既不保证与联合分布兼容，也不能确保始终产生无偏的HLM估计。我们假设包括相关分类$D$的贝叶斯联合分布（包含参数和部分观测变量），并引入一种从准后验分布直接抽取参数和缺失值的兼容Gibbs抽样器。我们将该抽样器应用于来自办诊期间患者-医生接触较少的纵向数据的不完全观测数据，并通过仿真将我们的估计方法与现有方法进行比较。