The Matching Methodology: Some Statistical Properties

مشکلات داده‌های ناقص به طور طبیعی در بسیاری از نمونه‌های عمل آماری به وجود می‌آیند. یکی از مسائل مربوط به داده های ناقص که توسط آماردانان نسبتاً به خوبی درک نشده است، مربوط به ادغام فایل های داده های خرد است. بسیاری از آژانس های فدرال از روش ادغام فایل برای ایجاد فایل های جامع از منابع داده های متعدد اما ناقص استفاده می کنند. هدف اصلی این تلاش انجام تجزیه و تحلیل های آماری بر روی مجموعه داده های مصنوعی تولید شده از ادغام فایل ها است. به طور کلی، این تحلیل ها را نمی توان با تجزیه و تحلیل مجموعه داده های ناقص به طور جداگانه انجام داد. اعتبار و اثربخشی روش ادغام فایل را می توان با استفاده از مدل های آماری زیربنای مکانیسم هایی که ممکن است فایل های ناقص را ایجاد کند، ارزیابی کرد. با این حال، یک نظریه کاملا رضایت بخش و یکپارچه از ادغام فایل ها هنوز ایجاد نشده است. در اینجا، خواص بهینه برخی از استراتژی های تطبیق شناخته شده را بررسی می کنیم و نتایج جدیدی از آن استخراج می کنیم. با این حال، تعداد زیادی از مسائل حل نشده هنوز نیازمند توجه بسیاری از محققان است. یکی از مشکلات اصلی که هنوز باید حل شود، توسعه روش استنتاج مناسب از فایل های ادغام شده در صورت اصرار بر استفاده از روش ادغام فایل ها است. اگر این تک نگاری موفق شود فقط چند آماردان ریاضی دیگر را برای کار روی این دسته از مسائل جذب کند، آنگاه احساس می کنیم که تلاش های ما موفقیت آمیز بوده است.

Incomplete-data problems arise naturally in many instances of statistical practice. One class of incomplete-data problems, which is relatively not well understood by statisticians, is that of merging micro-data files. Many Federal agencies use the methodology of file-merging to create comprehensive files from multiple but incomplete sources of data. The main objective of this endeavor is to perform statistical analyses on the synthetic data set generated by file­ merging. In general, these analyses cannot be performed by analyzing the incomplete data sets separately. The validity and the efficacy of the file-merging methodology can be assessed by means of statistical models underlying the mechanisms which may generate the incomplete files. However, a completely satisfactory and unified theory of file-merging has not yet been developed This monograph is only a minor attempt to fill this void for unifying known models. Here, we review the optimal properties of some known matching strategies and derive new results thereof. However, a great number of unsolved problems still need the attention of very many researchers. One main problem still to be resolved is the development of appropriate inference methodology from merged files if one insists on using file merging methodology. If this monograph succeeds in attracting just a few more mathematical statisticians to work on this class of problems, then we will feel that our efforts have been successful.