MI-Random rPQL: A Variable Selection Method for Linear Mixed Models with Missing Data

Yutian Thompson

doi:10.1080/00273171.2026.2738735

MI-Random rPQL: A Variable Selection Method for Linear Mixed Models with Missing Data

2026-10-20

0

PRE

AI

DOI：10.1080/00273171.2026.2738735

原文链接

摘要

En 中文

变量选择是一种用于识别结果重要预测因子的统计方法，当数据同时具有聚类和不完整特性时，这一过程变得尤为具有挑战性。尽管线性混合模型（LMMs）在社会与行为研究中得到广泛应用，但针对不完整数据下LMMs的变量选择研究有限。缺失数据会降低估计精度并扭曲预测因子与结果之间的关系。虽然多重插补（MI）常用于处理聚类设置中的缺失数据，但跨插补数据集聚合变量选择结果（尤其是针对固定效应和随机效应）仍是一个方法论挑战。这一问题在高维情境下进一步加剧，此时预测因子的数量等于或超过聚类内观测数量。为解决这些局限性，我们提出了MI-random rPQL，一种基于正则化的LMMs不完整聚类数据变量选择方法。该方法整合多重插补与random rPQL以联合识别重要的固定和随机效应。一项模拟研究用于评估其性能。结果显示，MI-random rPQL即使在存在显著缺失数据的情况下也能有效选择重要预测因子，为高维、聚类且不完整数据集的变量选择提供了一种灵活且稳健的解决方案。

Keyword:

Regularization

multiple imputation

linear mixed model

random rPQL

MI-Random rPQL: A Variable Selection Method for Linear Mixed Models with Missing Data

摘要

期刊

机构

引用论文