MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935279
■00520240214101913
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380360999
■035    ▼a(MiAaPQ)AAI30687279
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aVera,  Juan  Diego.
■24510▼aBayesian  Selection  Model  With  Shrinking  Priors  for  Nonignorable  Missingness▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(208  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Enders,  Craig  K.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  study  investigates  the  effectiveness  of  Bayesian  variable  selection  (BVS)  procedures  in  dealing  with  missing  not  at  random  (MNAR)  data  for  identification  in  selection  models.  Three  BVS-adapted  selection  models,  namely  Bayesian  LASSO,  horseshoe  prior,  and  spike-and-slab  prior,  were  compared,  along  with  established  missing  data  methods  such  as  a  model  that  assumes  a  missing  at  random  (MAR)  process  and  full-selection  model.  The  results  indicate  that  the  spike-and-slab  prior  consistently  outperformed  other  BVS  methods  in  terms  of  accuracy  and  bias  for  various  parameters,  including  slope  estimates,  residual  variance,  and  intercept.  When  compared  with  the  full-selection  model,  the  spike-and-slab  model  exhibited  superior  performance  across  all  parameters  based  on  mean  squared  error  (MSE)  results.Although  the  MAR  and  spike-and-slab  models  showed  comparable  performance  for  slope  estimates,  the  spike-and-slab  model  consistently  outperformed  the  MAR  model  in  estimating  residual  variance  and  intercept.  This  comparable  performance  is  attributed  to  the  bias-variance  tradeoff.  The  MAR  model,  while  biased,  demonstrated  efficiency  by  estimating  fewer  parameters than  selection  models  and  obtaining  robust  support  from  the  observed  data.  On  the  other  hand,  the  spike-and-slab  model  outperformed  the  full-selection  model,  even  when  the  full-selection  model  aligned  with  the  true  data-generating  model.  The  adaptation  of  BVS  to  selection  models,  particularly  through  the  spike-and-slab  method,  yielded  promising  results  with  unbiased  estimates  under  various  conditions.  However,  it  is  important  to  acknowledge  that  this  study  represents  an  initial  exploration  of  this  subject,  and  its  scope  was  inherently  limited.  Finally,  the  BVS  adaptations  to  the  selection  model  was  illustrated  with  data  from  a  clinical-trial  study.
■590    ▼aSchool  code:  0031.
■650  4▼aPsychology.
■650  4▼aStatistics.
■650  4▼aMathematics.
■653    ▼aBayesian  variable  selection
■653    ▼aHorseshoe
■653    ▼aMean  squared  error
■653    ▼aSlope  estimates
■690    ▼a0621
■690    ▼a0405
■690    ▼a0463
■71020▼aUniversity  of  California,  Los  Angeles▼bPsychology  0780.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935279▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books