从缺失数据中提取信息：对情绪预测的意义
应用统计
2020-07-09 v3
摘要
移动技术的可用性使得能够高效收集来自精神科患者的预期纵向、生态有效的自报情绪数据。这些数据流具有提高精神科诊断效率与准确性以及预测未来情绪状态以实现更早干预的潜力。然而，此类数据集中缺失响应十分常见，且在实践中应如何处理缺乏共识。我们采用基于签名的方法，在捕获自报情绪不同要素的同时纳入缺失数据，以对双相情感障碍、边缘型人格障碍患者及健康对照进行诊断分类并预测其未来情绪。这种纳入缺失响应的基于签名的方法实现了约66%的正确诊断率，三个临床组的f1分数分别为59%（双相情感障碍）、75%（健康对照）和61%（边缘型人格障碍）。这显著优于排除缺失数据的朴素模型。通过纳入缺失响应，预测后续情绪状态与分数的准确率也得以提高。该签名方法为分析普遍缺失数据的预期收集情绪数据提供了有效途径，并应在其他类似数据集中作为一种方法加以考虑。
引用
@article{arxiv.2006.15030,
title = {Deriving information from missing data: implications for mood prediction},
author = {Yue Wu and Terry J. Lyons and Kate E. A. Saunders},
journal= {arXiv preprint arXiv:2006.15030},
year = {2020}
}