前言
第一部分 回顾与基本方法
第一章 概论.
1.1 缺失数据的问题
1.2 缺失数据模式
1.3 导致缺失数据的机制
1.4 缺失数据方法的分类
第二章 试验中的缺失数据
2.1 引言
2.2 完全数据的精确的最小二乘解
2.3 缺失数据的正确的最小二乘分析
2.4 填充最小二乘估计
2.5 Bartlett的ANCOVA方法
2.6 仅使用完全数据方法由ANCOVA获得缺失值的
2.7 标准差的正确的最小二乘估计和一个自由度的平方和
2.8多于一个自由度的最小二乘平方和问题
第三章 完全个体和可用个体的分析,包括加权方法
3.1 引言
3.2 完全个体分析
3.3 加权的完全个体分析
3.4 可用个体分析问题
第四章 单一借补方法
4.1 引言
4.2 从预测分布借补均值
4.3 从预测分布中抽取借补值
4.4 结论问题
第五章 借补不确定性的估计
5.1 引言
5.2 由单一填充数据集提供有效的标准误差的借补方法
5.3 用再抽样的借补数据的标准误差
5.4 多重借补的介绍
5.5 再抽样方法和多重借补的比较问题
第二部分 用于缺失数据分析的基于似然的方法
第六章 基于似然函数的推断理论
6.1 完全数据基于似然的估计的回顾
6.2 不完全数据基于似然的推断
6.3 极大似然以外通常有缺陷的方法：对参数和缺失数据极大化
6.4 对粗化数据的似然理论问题
第七章 因子化似然方法,忽略缺失数据机制
7.1 引言
7.2 具有一个变量不响应的二元正态数据：ML估计（极大似然估计）
7.3 二元正态单调数据：小样本推断
7.4 两个以上变量的单调数据
7.5 对特殊的非单调模式的因子化问题
第八章 缺失数据一般模式的极大似然,可忽略不响应的介绍和理论
8.1 另一种可选用的计算策略
8.2 EM算法的介绍
8.3 EM的正步和M步..
8.4 EM算法的理论
8.5 EM的推广
8.6 混合极大化方法问题
第九章 基于极大似然估计的大样本推断
9.1 基于信息阵的标准误差
9.2 无需计算已观测信息矩阵的估计并求逆,产生标准误差问题
第十章 贝叶斯和多重借补
10.1 贝叶斯迭代模拟方法
10.2 多重借补问题
第三部分 不完全数据分析的基于似然的方法：一些例子
第十一章 多元正态的例子,可忽略缺失数据机制
11.1 引言
11.2 正态下有缺失数据时均值向量和协差阵的推断
11.3 有限制协差阵的估计
11.4 多元线性回归
11.5 一个一般的有缺失数据的重复度量模型
11.6 时间序列模型问题
第十二章 稳健估计
12.1 引言
12.2 一元样本的稳健估计
12.3 均值和协差阵的稳健估计
12.4 t模型的进一步扩展问题
第十三章 未完全分类的列联表模型,忽略缺失数据机制
13.1 引言
13.2 单调多项数据的因子化似然
13.3 有一般缺失数据模式的多项分布样本的ML和贝叶斯估计
13.4 不完全分类列联表的对数线性模型问题
第十四章 有缺失值的正态和非正态混合数据,可忽略缺失数据机制
14.1 引言
14.2 一般的位置模型
14.3 有参数制约的一般的位置模型
14.4 连续和分类变量混合的回归问题
14.5 一般的位置模型的进一步扩展问题
第十五章 不可忽略缺失数据模型
15.1 引言
15.2 不可忽略模型的似然理论
15.3 具有已知不可忽略缺失数据机制的模型：分组的和归并的数据
15.4 正态的选择模型
15.5 正态模式混合模型
15.6 正态重复测量数据的不可忽略模型
15.7 分类数据的不可忽略模型问题参考文献...
展开
