Logistic Regression with Missing Values in the Covariates

در بسیاری از حوزه‌های علم، یک وظیفه اساسی ارزیابی تأثیر چندین عامل بر مقدار مورد علاقه است. اگر این کمیت لجستیک باینری باشد، مدل‌های رگرسیون ابزار قدرتمندی برای این منظور فراهم می‌کنند. این مونوگراف گزارشی از استفاده از رگرسیون لجستیک در مواردی ارائه می‌کند که مقادیر گمشده در متغیرها مانع استفاده از تکنیک‌های استاندارد می‌شود. چنین موقعیت هایی اغلب در طیف وسیعی از کاربردهای آماری رخ می دهد.
تاکید این کتاب بر روش های مربوط به اصل حداکثر درستنمایی کلاسیک است. نویسنده اصول رگرسیون لجستیک را بررسی می‌کند و مکانیسم‌های مختلفی را که ممکن است باعث از دست رفتن مقادیر شوند، مورد بحث قرار می‌دهد، در حالی که بقیه کتاب روش‌هایی را پوشش می‌دهد که ممکن است برای مقابله با مقادیر از دست رفته و اثربخشی آنها مورد استفاده قرار گیرند. محققان در طیف وسیعی از رشته‌ها و دانشجویان فارغ‌التحصیل در آمار و آمار زیستی، این را توضیحی خواندنی از این خواهند دانست.

In many areas of science a basic task is to assess the influence of several factors on a quantity of interest. If this quantity is binary logistic, regression models provide a powerful tool for this purpose. This monograph presents an account of the use of logistic regression in the case where missing values in the variables prevent the use of standard techniques. Such situations occur frequently across a wide range of statistical applications.
The emphasis of this book is on methods related to the classical maximum likelihood principle. The author reviews the essentials of logistic regression and discusses the variety of mechanisms which might cause missing values while the rest of the book covers the methods which may be used to deal with missing values and their effectiveness. Researchers across a range of disciplines and graduate students in statistics and biostatistics will find this a readable account of this.