不完全配对实验数据的等价性检验新方法

"这篇论文是关于在不完全配对实验数据中进行等价性检验的，作者唐年胜和罗贤贵来自云南大学数学与统计学院。他们提出了新的方法来测试两个比值的等价性，特别是在数据存在缺失的情况下。论文使用了近似非条件方法和Bootstrap重抽样技术，并通过EM算法来处理参数的估计问题。模拟研究显示这些方法在控制第一类错误率方面表现良好。此外，文中还包含了一个实例来说明这些方法的实际应用。该论文的关键词包括：缺失数据、近似非条件检验、Bootstrap重抽样检验、等价性以及配对设计。" 这篇研究的核心关注点在于如何在存在不完全数据的配对实验设计中进行等价性检验。通常，等价性检验是为了判断两个处理效果是否在统计上足够接近，即它们之间的差异小于预先设定的临界阈值。在医疗试验中，这可能意味着两种药物的效果被认为是等同的，即使它们的效应不完全相同。在配对设计中，每个实验单元都与其对照单元相对应，这种设计有助于减少变异并提高统计效率。 在数据缺失的情况下，传统的统计方法可能不再适用，因为它们可能无法准确地估计参数或控制错误率。论文中的“非零风险度差”指的是两个处理组的风险或效果差异，即使这个差异不为零，也可能认为这两个处理是等价的，如果这个差异小于某个预先设定的阈值。 唐年胜和罗贤贵提出的近似非条件方法是一种在数据缺失时估计比例的方法，它不需要完整数据集的假设，而是依赖于对数据的某些假设。这种方法利用了EM（期望最大化）算法，这是一种迭代方法，用于估计含有缺失数据模型的参数。EM算法通过交替估计期望值和最大似然步骤来找到参数的最优解。 Bootstrap重抽样方法则是一种强大的统计工具，用于估计统计量的分布和不确定性，尤其在样本量有限或者数据复杂时。在等价性检验中，Bootstrap可以帮助生成大量模拟数据集，从而评估检验统计量的行为，进而确定是否拒绝原假设。 通过大量的模拟研究，作者证明了这两种方法在控制第一类错误率（即假阳性率）方面表现良好，这意味着它们在保持正确决策概率的同时，减少了误判两处理为不等价的可能性。最后，论文中给出的一个实例进一步展示了这些方法在实际问题中的应用。 这篇论文提供了在数据不完全情况下进行等价性检验的新方法，对统计学和实验设计领域具有重要意义，特别是对于那些需要处理缺失数据的研究人员。