Файловый архив студентов. Файловый архив студентов.
1327 вузов, 5487 предметов.
/ Регистрация
FAQ Обратная связь Вопросы и предложения
Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Башкирский Государственный Аграрный Университет
Предмет:
[НЕСОРТИРОВАННОЕ]
Файл:

Проблемы оптимизации выборочных данных с неполнотой в диапазоне. Монография

.pdf
Скачиваний:
0
Добавлен:
07.09.2026
Размер:
1 Мб
Скачать
☆
Заключение
данные, а также о механизме их восстановления, как правило, от­сутствует.
Известные и используемые в практике эмпирических иссле­дований подходы к оптимизации выборки с диапазоном, содер­жащим недостающие данные (после того как выборка была ре­ализована), – это прежде всего взвешивание и консервативный подход (анализ только полученной информации). В современной специальной литературе приводятся серьезные теоретические и эмпирические данные о том, что консервативный подход дает худшие результаты по сравнению с другими процедурами опти­мизации. Эффективность взвешивания, с другой стороны, зави­сит от ряда факторов, а именно:
1) актуальности информации, на основе которой она осу-
ществляется;
2) выбора и количества взвешивающих признаков;
3) возможности прогнозирования и контроля размера и на­правления смещения в распределениях содержательных перемен­ных в массиве после взвешивания.
Мы не можем сделать однозначного вывода, что один ме­тод оптимизации (подход) является наиболее эффективным по сравнению с другими. При разработке концепции обращения к проблеме недостающих данных и решения этой проблемы важ­нейшим условием успеха выступает применение сенситивного подхода в зависимости от следующих факторов:
1) темы, объекта и предмета эмпирических исследований;
2) преимуществ и ограничений, вытекающих из методики
выборки и методики регистрации;
3) вида и характера полученных данных;
4) существующих связей и зависимостей между наблюдаемы-
ми переменными;
5) целей и задач последующего информационного анализа
данных;
221
Заключение
6) ресурсных ограничений, сопровождающих организацию и реализацию каждого эмпирического исследования. Основной упор должен быть сделан на разработке и осуществлении профи­лактических и текущих оптимизационных действий.
Анализ доказал, что использование нестохастических про­цедур для решения проблемы недостающих данных в случайных выборках несет риск ошибок и неконтролируемого смещения ха­рактеристик выборки по отношению к параметрам генеральной совокупности. Все подходы к оптимизации, которые используют­ся на практике, должны поддерживаться убедительными теорети­ческими и практико-прикладными доказательствами их преиму­ществ и недостатков.
Возможности для практического использования различных методов разные. Профилактические процедуры оптимизации вы­борки (до и во время работ в поле), на наш взгляд, в преоблада­ющем числе случаев окажутся значительно более эффективными, чем последующие обработки информационного массива. Без ис­ключения все методы, которые ищут решение проблемы недоста­ющих данных (после того как информация была набрана в поле), имеют свои недостатки. Они заманчивы для исследователей, по­тому что дешевле и удобнее, хотя часто невозможно предсказать и оценить риски смещения в распределении данных (так как у ис­следователя не всегда есть данные для такого анализа). Амбици­озной целью всех проанализированных нами методов и подходов является минимизация (сведение к минимуму), а не устранение последствий недостающих данных.
Взвешивание данных не может быть рекомендовано в любых случаях. Некоторые новые модификации с многоуровневой (по­этапной) обработкой данных помогают минимизировать недостатки метода. Они могли бы применяться в эмпирических исследованиях.
Приписывание значений как метод оптимизации недостаю­щих данных в условиях компьютерных технологий не представ-
222
Заключение
ляется сложным, но пока недоступно для широкого применения. В последние годы были предприняты значительные усилия для создания различных типов программных продуктов, с помощью которых можно генерировать атрибуцию. В специальной литера­туре представлено множество исследований по относительным преимуществам и недостаткам различных подразделов метода, но научная дискуссия по этой проблеме продолжает развиваться и углубляться. Наш анализ подтвердил основные исследователь­ские гипотезы:
1. В практике эмпирических исследований слишком часто (почти всегда) и по разным причинам происходит потеря данных. Выше определенного предела эта потеря искажает информацию, и результаты исследований становятся неопределенными и нена­дежными.
2. В практике эмпирических исследований наблюдается нео­правданная недооценка проблем, связанных с неполным диапа­зоном данных в выборках на теоретическом и методологическом уровнях и в практических исследованиях. По этой причине серьез­ных систематических исследований данного вопроса пока нет. То, что делается, сводится в основном к выводам об объеме и харак­теристиках недостающей информации (что и сколько отсутствует). Практически не прилагаются усилия к оценке эффекта из-за поте­рянных данных и их влияния на достоверность информации.
3. Во всем мире в последнее время получили распростра­нение обоснованные, апробированные и успешно работающие методы, которые предлагают различные решения проблем для неполного диапазона данных. Они могут быть адаптированы и использоваться в нашей стране для оптимизации массивов недо­стающих данных.
Исследования выявили не только значимость самой проблемы недостающих данных, но и большие трудности в поиске оптималь­ных методологических и методических решений по ее устранению.
223
СПИСОК ЛИТЕРАТУРЫ
1. Асланов, Я. А. Эмпирические социологические исследования социальной реальности / Я. А. Асланов, А. В. Дятлов, В. В. Ковалев. Ростов-на-Дону; Таганрог: Изд-во Южного фед. ун-та, 2021. 164 с.
2. Бадалян, Л. Г. Объективность и достоверность данных социологического исследования / Л. Г. Бадалян, В. Ф. Криворотов // Методы социологическо­го исследования: 3-я Всесоюзная конференция. Вып. IV. Москва: Институт социологии АН СССР, 1989. С. 53–56.
3. Беккер, Г. Современная социологическая теория в ее преемственности и изменении / Г. Беккер, А. Босков. Москва: Изд-во иностр. лит., 1961. 896 с.
4. Горшков, М. К. Прикладная социология: методология и методы / М.К.Горшков, Ф. Э. Шереги. Москва: ФГАНУ «Центр социологических ис­следований»: Институт социологии РАН, 2012. 304 с.
5. Гугуева, Д. А. Анализ данных в социологии / Д. А. Гугуева, А. В. Дятлов. Ро­стов-на-Дону; Таганрог: Изд-во Южного фед. ун-та, 2018. 226 с.
6. Давыдов, А. А. Ремонт выборки / А. А. Давыдов, А. О. Крыштановский // Социологические исследования. 1989. № 5. С. 100–105.
7. Джессен, Р. Методы статистических обследований / Р. Джессен. Москва: Фи- нансы и статистика, 1985. 478 с.
8. Докторов, Б. Методология и практика опросов обогащенного обществен­ного мнения [Электронный ресурс] / Б. Докторов // Социальная реаль­ность. 2007. № 10. С. 81–94. URL: https://corp.fom.ru/uploads/socreal/post-
308.pdf (дата обращения: 20.02.2020).
9. Дубнер, П. Н. Англо-русский статистический глоссарий: Основные поня­тия. 2000 [Электронный ресурс] / П. Н. Дубнер. URL: http://saprmgsu.by.ru/ biblio/slov-stat/slovars1.htm.
10. Жабский, М. И. Обоснование репрезентативности социологического ис­следования / М. И. Жабский // Социологические исследования. 1983. № 2. С.148–158.
11. Здравомыслов, А. Г. Методологические предпосылки, методы и техника ис- следования (программа исследования) / А. Г. Здравомыслов, В. А. Ядов // Человек и его работа / под ред. А. Г. Здравомыслова и др. Москва: Мысль,
1967.
12. Йейтс, Ф. Выборочный метод в переписях и обследованиях / Ф. Йейтс; под ред. А. Г. Волкова. Москва: Статистика, 1965. 136 с.
13. Кокрен, У. Методы выборочного исследования / У. Кокрен. Москва: Стати- стика, 1976. 440 с.
224
Список литературы
14. Крыштановский, А. О. Анализ социологических данных с помощью пакета SPSS: учебное пособие для вузов / А. О. Крыштановский. Москва: ВШЭ, 2006. 280 с.
15. Морозенко, В. В. Англо-русский экономико-статистический словарь / сост. В. В. Морозенко; под ред. Р. М. Энтова. Москва: Статистика, 1974. 221 с.
16. Осипов, Г. В. Методы измерения в социологии / Г. В. Осипов, Э. П. Андреев. Москва: Наука, 1977. 184 с.
17. Отчет рабочей группы AAPOR о неслучайных выборках: июнь 2013 [Элек­тронный ресурс] / Американская ассоциация исследователей общественно­го мнения; пер. с англ. Д. Рогозина, А. Ипатовой. Москва: Общероссийский общественный фонд «Общественное мнение», 2016. 170 с. URL: http://fom. ru/Nauka-i-obrazovanie/12562 (дата обращения: 20.02.2020).
18. Саганенко, Г. И. Надежность результатов социологического исследования / Г. И. Саганенко. Ленинград: Наука, 1983. 189 с.
19. Саганенко, Г. И. Социологическая информация. Статистическая оценка ис- ходных данных социологического исследования / Г. И. Саганенко. Ленин­град: Наука, 1979. 142 с.
20. Саганенко, Г. И. Структура эмпирического результата в социологии и пробле- ма его надежности / Г. И. Саганенко // Социология: 4М. 1994. № 3/4. С. 5–22.
21. Сваффорд, М. С. Российский мониторинг экономического положения и здо- ровья населения (РМЭЗ): измерение благосостояния россиян в 90-егоды / М. С. Сваффорд, М. С. Косолапов, П. М. Козырева // Мир России. Социоло­гия. Этнология. 1999. № 3. С. 153–172.
22. Территориальная выборка в социологических исследованиях / И. Б. Муч­ник, Е. С. Петренко, Е. Э. Синицын, Т. М. Ярошенко; отв. ред. Т. В. Рябуш­кин. Москва: Наука, 1980. 217 с.
23. Толстова, Ю. Н. Анализ социологических данных / Ю. Н. Толстова. Москва: Научный мир, 2000. 350 с.
24. Толстова, Ю. Н. Измерение в социологии: курс лекций / Ю. Н. Толстова. Москва: ИНФРА-М, 1998. 221 с.
25. Толстова, Ю. Н. Существует ли проблема социологического измерения? // Социология: 4М. 1995. № 5/6. С. 103–117.
26. Федеральная налоговая служба. Федеральная информационная адресная система (ФИАС) [Электронный ресурс]. URL: https:// as.nalog.ru (дата об­ращения: 08.11.2019).
27. Федеральная служба государственной статистики. Мониторинг развития информационного общества в Российской Федерации [Электронный ре­сурс]. URL: https://www.gks.ru/storage/mediabank/monitor_rf(5).xls (дата об­ращения: 11.01.2020).
28. Федеральная служба государственной статистики. Численность населения Российской Федерации по муниципальным образованиям [Электронный ресурс]. URL: https://www.gks.ru/compendium/document/13282 (дата обра­щения: 08.11.2021).
225
Список литературы
29. Федеральная служба государственной статистики. Общероссийский клас­сификатор территорий муниципальных образований (ОКТМО) [Электрон­ный ресурс]. Документ в формате docx URL: https://www.gks.ru/classi cation, документ в формате csv URL: http://old.gks.ru/opendata/dataset/7708234640­oktmo (дата обращения: 08.11.2021).
30. Число и состав домохозяйств // Итоги Всероссийской переписи населения 2002 г.: в 14 т. Т. 6 / Федеральная служба государственной статистики Рос­сийской Федерации. Москва: ИИЦ «Статистика России», 2005.
31. Чуриков, А. В. Случайные и неслучайные выборки в социологических ис­следованиях / А. В. Чуриков // Социальная реальность. 2007. № 4. С. 89–
109. URL: http://corp.fom.ru/uploads/socreal/post-256.pdf (дата обращения:
20.02.2021).
32. Шляпентох, В. Э. Проблемы качества социологической информации: до­стоверность, репрезентативность, прогностический потенциал / В. Э. Шля­пентох. Москва: ЦСП, 2006. 664 с.
33. Agresti, A. Categorial Data Analyses. New York: Willey, 1990.
34. Allen, J. An Overview of Imputation Procedures // Sta Report SMB-90-06, US Dept. of Agriculture, Washington. 1990.
35. Allison, P. Missing Data. New York: Sage Publications, 2001.
36. Andersen, R., Kasper, J., Frankel, M. R. and ass. Total Survey Error. San Francisco: Jossey-Bass Publishers, 1979.
37. Bartholomew, D. J. A Method for Allowing for «Not-at-Home» Bias in Sample Surveys // Journal of Royal Statistical Society. 1961. 10, 52–59.
38. Bello, A. Choosing among Imputation Techniques for Incomplete Multivariate Data: a Simulation Study // Communication in Statistics A:  eory and Methods.
1993. 22, 853–877.
39. Bello, A. A Bootstrap Method for Using Imputation Techniques for Data with Missing Values // Biometrical Journal. 1994. 36 (4).
40. Bergdahl, M. et al. Model Quality Report in Business Statistics // Eurostat, SUP­COM project. 1997.
41. Brick, M. Handling Missing Data in Survey Research // Statistical Methods in Medical Research. Chicago, 1996.
42. Bryk, A. S., Raudenbush, S. W. Hierarchical Linear and Nonlinear Modeling with the HLM/2L and HLM/3L Programs // Scienti c So ware International. Chica­go, 1992.
43. Bryman, A. Social Research Methods. Oxford University Press, 2001.
44. Buck, S. F. A Method of Estimation of Missing Values in Multivariate Data Suita- ble for Use with an Electronic Computer // J Royal Statistical Society. 1960.
45. Clausen, M. and Ford, R. Controlling Bias in Mail Questionnaires // Journal of American Statistical Association. 1947. 42, 497–511.
46. Clogg, C.  e Impact of Sociological Methodology on Statistical Methodology // Statistical Science. 1995. 7, 183–207.
226
Список литературы
47. Code, J. Incomplete Data Collection and Processing from the March Income Supplement to the Current Population Survey //  e Survey of Income and Pro­gram Participation: Proceedings of the Workshop on Data Processing. Chapter II. Washington DC: Income Survey Development Program, US Department of Health, Education and Welfare, 1978.
48. Cohen, M. A new Approach to Imputation // American Statistical Association Proceedings of the Section on Survey Research Methods. 1996. 293–298.
49. Creswell, J. W. Research Design: Qualitative, Quantitative, and Mixed Method Approaches. Nеw York: Sage Publications, 2002.
50. Dempster, A. P., Laird, N. M., Rubin, D. B. Maximum Likelihood Incomplete Data via EM Algorithm // Journal of the Royal Statistical Society, Series B. 1997. 39, 1–38.
51. Denzin, N. K., Lincoln, Y. S.  e Landscape of Qualitative Research:  eories and Issues. New York: Sage Publications, 1998.
52. Dooley, D. Social Research Methods. New York: Prentice Hall, 1990.
53. Durbin, J. Nonresponse and Callbacks in Surveys. Bis, 1954. I.34/2.
54. Elliott, M., Little, R. J. A Bayesian Approach to Combining Information from a Census, a Coverage Measurement Survey, and Demographic Analyses // Journal of American Statistical Association. 2000. 95, 351–362.
55. Ezzati-Rice, T. M., Johnson, W., Khare, M., Little, R. J. A., Rubin, D. B., Schaf- er,J.L. A Simulation Study to Evaluate the Performance of Model-based Multiple Imputations in NCHS Health Examination Survey // Proceedings of the Annual Research Conference. Washington: Bureau of the Census, 1995. P. 257–266.
56. Fay, R. E. Estimating Nonignorable Nonersponse in Longitudinal Survey through Causal Modeling // Panel Surveys / eds. Kasprzyk, D., Duncan, G., Kalton, G., Singh, M. P. New York: John Wiley&Sons, 1989. P. 375–399.
57. Ford, B. Incomplete Data in Sample Surveys: the  eory of Current Practices // National Academy of Sciences, Panel on Incomplete Data. New York, 1980.
58. Fowler, F. Survey Research Methods (Applied Social Research Methods Series). New York: Sage Publications, 2001.
59. Fowler, F., Mangione, T. W. Standardized Survey Interviewing: Minimizing Inter- viewer-related Error in Surveys (Applied Social Research Methods). New York: Sage Publications, 1990.
60. Fowler, F. Jr. Improving Survey Questions Design and Evaluation: Design and Eval- uation (Applied Social Research Methods). New York: Sage Publications, 1995.
61. Franzosi, R. From Words to Numbers: A Set  eory Framework for the Collec­tion, Organization and Analyses of Narrative Data // Sociological Methodology.
1994. 24, 105–136.
62. Full, S. Estimating Variance due to Imputation in ONS // Business Survey, O ce for National Statistics, UK. 1999.
63. Gelman, A., Rubin, D., Carlin, J., Stern, H. Bayesian Data Analyses. London: Chapman & Hall, 1995.
227
Список литературы
64. Gilks, W. R., Richardson, S., Spiegelhalter, D. J. (Eds.). Markov Chain Monte Carlo in Practice. London: Chapman & Hall, 1996.
65. Gimotty, P. and Brown, M. Imputation Procedures for Categorial Data: their Ef- fects on the Goodness-to- t-chi-square Statistics // Communication in Statistics: Simulation. 1990. 19 (2), 681–703.
66. Graham, J. W., Hofer, S. M., Piccinin, A. M. Analysis with Missing Data in Drug Prevention Research // Collins, L & Seitz, L. (Eds.). National Institute on Drug Abuse Research Monograph Series. Vol. 142. Washington, D. C.: National Insti­tute on Drug Abuse, 1994. P. 13–62.
67. Graham, J. W., Schafer, J. L. On the Performance of Multiple Imputation for Mul- tivariate Data with Small Sample Size // Holey, R. (Ed.). Statistical Strategies for Small Sample Research.  ousand Oaks: Sage, 2002.
68. Greenless, J., Reece, W., Zieschang, K. Imputation of Missing Values When the Probability of Response Depends on the Value being Imputed // Journal of the American Statistical Association. 1982. 77.
69. Grimm, L., Yarnold, P. R. (Eds.). Reading and Understanding Multivariate Statis- tics. American Psychological Association, 1995.
70. Groves, R. M. Nonresponse in Household Travel Surveys. New York, 1997.
71. Groves, R. M., Dillman, D. A., Eltinge, J. L., Little, R. J. A. (Eds.).  e In uence Of Interviewers’ Attitude And Behavior On Household Survey Nonresponse: An International Comparison // Survey Nonresponse. New York: Wiley&Sons, 1997.
72. Hansen, M. H., Hurwitz, W. N.  e Problem of Non-response // Journal of the American Statistical Association. 1946. 41.
73. Hansen, M. H., Hurwitz, W. N. and Madow, W. Sample Survey Methods and  e- ory. New York, 1953.
74. Imputation Overview of Methods. Fourth Meeting «Assessment of Quality in Statistics». Luxembourg, 2001.
75. Kalton, G., Kasprzyk, D. Imputing for Missing Survey Responses // Proceedings of the Survey Research Methods Section. American Statistical Association, 1982.
76. Kalton, G., Kasprzyk, D.  e Treatment of Missing Survey Data // Survey Meth- odology. 1986. 12.
77. Keppel, G. Design and Analysis // A Research’s Handbook. 3rd ed. Englewood, New Jersey: Prentice Hall, 1991.
78. Kim, H., Li, J., Roodman, S., Sen, A., Christopher, E. Factoring Household Travel Surveys // Transportation Research Record. 1993. 1412.
79. Kinnear, P. R., Gray, D. C. SPSS for Windows Made Simple. Psychology Press,
2000.
80. Kish, L. Survey Sampling. New York, 1965.
81. Kish, L. Weighting for Unequal Probabilities // Journal of O cial Statistics.
1992. 8.
82. Kish, L., Hess, I. On Noncoverage of Sample Dwellings // Journal of the American Statistical Association. 1958. 53.
228
Список литературы
83. Krzanowski, W. Missing Value Imputation in Multivariate Data Using the Singu- lar Value Decomposition of a Matrix // Biometrical Letters. 1988. 25, 31–39.
84. Laaksonen, S. How to Find the Best Imputation Technique? Tests with  ree Methods // International Conference on Nonresponse dra s, Portland, Oregon,
1999.
85. Lessler, J. T., Kalsbeek, W. D. Nonsampling Error in Surveys. New York: J.Wiley&Sons, 1992.
86. Little, R. J. A. Missing Data Adjustments in Large Surveys // J. Bus & Econ Statist.
1988. 6, 287–296.
87. Little, R. J. A. Statistical Analysis with Missing Data. New York: J. Willey&Sons,
2002.
88. Little, R. J. A. Survey Nonresponse Adjustments for Estimates of Means // Inter­national Statistical Review. 1986. 54, 139–157.
89. Little, R. J. A. & Rubin, D. B. Statistical Analysis with Missing Data. New York: J.Willey&Sons, 1987.
90. Luzi, O., Seeber, A. Multiple Imputation: an Experimental Application // Eurostat.
2000.
91. Madow, W. G., Olkin, I., Rubin, D. B. (Eds.) Incomplete Data in Sample Surveys, Vol. 2:  eory and Bibliographies. Published by the Panel on Incomplete Data, Committee on National Statistics, Commission on Behavioral & Social Sciences & Education and National Research Council. New York: Academic Press Publish­ers, 1983. P. 143–184.
92. Mason, R., Lesser, V., Traugott, M. Impact of Item Nonresopnse on Nonsampling Error // International Conference on Survey Nonresponse. Portland. 1999.
93. Meng, X. L., Rubin, D. B. Maximum Likelihood Estimation via the ECM Algo- ritm: A General Framework // Biometrika. 1993. 80, 267–278.
94. Mercer, J. A., Butler, E. W. Disengagement of Aged Population and Response Dif- ferentials in Survey Research // Social Forces. 1967. 46 (September). 89–96.
95. Ming-xiu, Hu, Salvucci, S. A Study of IMPUTATION Algorithms / US Depart- ment of Education. National Center for Education Statistics. New York, 2001.
96. Moser, C. Survey Methods in Social Investigation. London, 1958.
97. Neal, M. C. Mx: Statistical Modeling. Box 3 / Department of Human Genetics, Medical College of Virginia, Richmond, VA. 1991.
98. Nichols, P. Social Survey Methods. Oxfam Publishing. USA, 1991.
99. Nordholt, E. Imputation in the New Dutch Structure of Earnings Survey (SES). Statistics Canada, 1997.
100. Nordholt, E. Imputation: Methods, Simulation Experiments and Practical Exam­ples // International Statistical Review. 1998. 66, 2, 157–180.
101. Oh, H. L., Scheuren F. J. Weighting Adjustment for Unit Non-response // W. G. Madow, I. Olkin, D. B. Rubin (eds.). Incomplete Data in Sample Sur­veys. Vol. 2:  eory and Bibliographies. New York: Academic Press, 1983. P. 143–184.
229
Список литературы
102. Palmer, R. F. Graham, J. W., Taylor, B., Tatterson, J. W. Interpreting Latent Vari- able Measurement Models in Health Behavior Research // Journal of Behavioral Medicine. 2001.
103. Patton, M. Q. Qualitative Research and Evaluation Methods. New York: Sage Publications, 2002.
104. Poirier, C. A Prototype Knowledge Base on Data Editing and Imputation. Statis­tics Canada, 2000.
105. Politz, A., Simmons, W. R. An Attempt To Whom It May Concern: get the Non- at-Homes into the Sample without Call-Backs // Journal of the American Statisti­cal Association. 1949, 1950. 44 and 45.
106. Ra ery, A. Statistics in Sociology. 1950–2000: A Selective Review // Technical Re- port no 389, Department of Statistics, University of Washington. 2001.
107. Rancount, E. Estimating Variance in the Presence of Imputation the State of Play// Journees de methodologie statistique. Paris, 1998.
108. Rao, J. N. K. On Variance Estimation with Imputed Survey Data // Journal of the American Statistical Association. 1996. 91, 499–506.
109. Rao, J. N. K. and Shao, J. Jackknife Variance Estimation with Survey Data under Hot-deck Imputation // Biometrika. 1992. 79, 811–822.
110. Rao, R. S., Glickman M. E., Glynn, R. J. Use of a Highly In uential Covariate and Multiple Waves in Reducing Non-response Impact in Surveys // Using Multiple Imputation for the Analysis of a Multi-wave Survey with Non-response: Annual Conference of Non-response. American Statistical Association. 1998.
111. Rosenbaum, P. and Rubin, D.  e Central Role of the Propensity Score in Obser- vational Studies for Causal E ects // Biometrika. 1983. 70, 41–45.
112. Rosenbaum, P. and Rubin, D. Reducing Bias in Observational Studies Using Sub- classi cation in the Propensity Score // Journal of the American Statistical Asso­ciation. 1984. 79, 516–524.
113. Rubin, D. B. Inference and Missing Data // Biometrika. 1976. 63, 581–592.
114. Rubin, D. B. Multiple Imputations in Sample Surveys – a Phenomenological Bayesian Approach to Nonresponse // Proceedings of the Survey Research Meth­ods Section, American Statistical Association, 1978. Р. 20–34.
115. Rubin, D. B. Multiple Imputation for Nonresponse in Surveys. New York: J. Wil­ley and Sons, 1987.
116. Rubin, D. B. Multiple Imputation a er 18+ Years (Discussion) // Journal of the American Statistical Association. 1996. 91, 473–489.
117. Rubin, D., Schafer, J. Multiple Imputation for Multivariate Missing-data Prob- lems// Course – Joint statistical meeting, Dallas TX. 1998.
118. Samaranayake, K., Khan, H. U., Everson, D. O. Estimation of Proportions in the Presence of Unit Nonresponse // Proceedings of the US Bureau of the Census 1993 Annual Research Conference. Р. 488–501.
119. Sarndal, C. E., Swensson, B., Wretman, J. Model Assisted Survey Sampling. New York: SpringerVerlag, 1997.
230
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
Помощь Обратная связь Вопросы и предложения Пользовательское соглашение Политика конфиденциальности