缺失數(shù)據(jù)統(tǒng)計分析（第2版翻譯版）

前言
第一部分 回顧與基本方法
第一章 概論.
1.1 缺失數(shù)據(jù)的問題
1.2 缺失數(shù)據(jù)模式
1.3 導致缺失數(shù)據(jù)的機制
1.4 缺失數(shù)據(jù)方法的分類
第二章 試驗中的缺失數(shù)據(jù)
2.1 引言
2.2 完全數(shù)據(jù)的精確的最小二乘解
2.3 缺失數(shù)據(jù)的正確的最小二乘分析
2.4 填充最小二乘估計
2.5 Bartlett的ANCOVA方法
2.6 僅使用完全數(shù)據(jù)方法由ANCOVA獲得缺失值的
2.7 標準差的正確的最小二乘估計和一個自由度的平方和
2.8多于一個自由度的最小二乘平方和問題
第三章 完全個體和可用個體的分析,包括加權方法
3.1 引言
3.2 完全個體分析
3.3 加權的完全個體分析
3.4 可用個體分析問題
第四章 單一借補方法
4.1 引言
4.2 從預測分布借補均值
4.3 從預測分布中抽取借補值
4.4 結論問題
第五章 借補不確定性的估計
5.1 引言
5.2 由單一填充數(shù)據(jù)集提供有效的標準誤差的借補方法
5.3 用再抽樣的借補數(shù)據(jù)的標準誤差
5.4 多重借補的介紹
5.5 再抽樣方法和多重借補的比較問題
第二部分 用于缺失數(shù)據(jù)分析的基于似然的方法
第六章 基于似然函數(shù)的推斷理論
6.1 完全數(shù)據(jù)基于似然的估計的回顧
6.2 不完全數(shù)據(jù)基于似然的推斷
6.3 極大似然以外通常有缺陷的方法：對參數(shù)和缺失數(shù)據(jù)極大化
6.4 對粗化數(shù)據(jù)的似然理論問題
第七章 因子化似然方法,忽略缺失數(shù)據(jù)機制
7.1 引言
7.2 具有一個變量不響應的二元正態(tài)數(shù)據(jù)：ML估計（極大似然估計）
7.3 二元正態(tài)單調(diào)數(shù)據(jù)：小樣本推斷
7.4 兩個以上變量的單調(diào)數(shù)據(jù)
7.5 對特殊的非單調(diào)模式的因子化問題
第八章 缺失數(shù)據(jù)一般模式的極大似然,可忽略不響應的介紹和理論
8.1 另一種可選用的計算策略
8.2 EM算法的介紹
8.3 EM的正步和M步..
8.4 EM算法的理論
8.5 EM的推廣
8.6 混合極大化方法問題
第九章 基于極大似然估計的大樣本推斷
9.1 基于信息陣的標準誤差
9.2 無需計算已觀測信息矩陣的估計并求逆,產(chǎn)生標準誤差問題
第十章 貝葉斯和多重借補
10.1 貝葉斯迭代模擬方法
10.2 多重借補問題
第三部分 不完全數(shù)據(jù)分析的基于似然的方法：一些例子
第十一章 多元正態(tài)的例子,可忽略缺失數(shù)據(jù)機制
11.1 引言
11.2 正態(tài)下有缺失數(shù)據(jù)時均值向量和協(xié)差陣的推斷
11.3 有限制協(xié)差陣的估計
11.4 多元線性回歸
11.5 一個一般的有缺失數(shù)據(jù)的重復度量模型
11.6 時間序列模型問題
第十二章 穩(wěn)健估計
12.1 引言
12.2 一元樣本的穩(wěn)健估計
12.3 均值和協(xié)差陣的穩(wěn)健估計
12.4 t模型的進一步擴展問題
第十三章 未完全分類的列聯(lián)表模型,忽略缺失數(shù)據(jù)機制
13.1 引言
13.2 單調(diào)多項數(shù)據(jù)的因子化似然
13.3 有一般缺失數(shù)據(jù)模式的多項分布樣本的ML和貝葉斯估計
13.4 不完全分類列聯(lián)表的對數(shù)線性模型問題
第十四章 有缺失值的正態(tài)和非正態(tài)混合數(shù)據(jù),可忽略缺失數(shù)據(jù)機制
14.1 引言
14.2 一般的位置模型
14.3 有參數(shù)制約的一般的位置模型
14.4 連續(xù)和分類變量混合的回歸問題
14.5 一般的位置模型的進一步擴展問題
第十五章 不可忽略缺失數(shù)據(jù)模型
15.1 引言
15.2 不可忽略模型的似然理論
15.3 具有已知不可忽略缺失數(shù)據(jù)機制的模型：分組的和歸并的數(shù)據(jù)
15.4 正態(tài)的選擇模型
15.5 正態(tài)模式混合模型
15.6 正態(tài)重復測量數(shù)據(jù)的不可忽略模型
15.7 分類數(shù)據(jù)的不可忽略模型問題參考文獻...