基于横截面和纵向信息的函数型多重插补方法

doi:10.13546/j.cnki.tjyjc.2025.05.006

	基于横截面和纵向信息的函数型多重插补方法
其他题名	Functional Multiple Imputation Method Based on Cross-sectional and Longitudinal Information
	高海燕1,2 ; 李唯欣1
	2025-03-13
发表期刊	统计与决策
卷号	41 期号:05 页码:37-42
摘要	函数型数据是一类复杂的非线性结构数据，往往以函数（曲线）的形式呈现和储存，但在数据收集过程中不可避免地会出现数据缺失的情况。文章提出了一种基于横截面和纵向信息的函数型多重插补方法（Missforest Combining Gaussian Processes,MFGP）。该方法受集成模型的启发，通过将基于缺失森林模型（MF）的插补与基于高斯过程（GP）的预测相结合，有效整合了函数型数据的横截面信息和纵向信息，进而提高了插补精度。同时，模拟数据插补实验和股票数据实例分析结果表明：在5%～55%的缺失比例下，MFGP的插补效果优于均值插补、Hot.deck、SFI、HFI、MICE、MF和GP这7种插补方法，具有显著的插补优势，且插补得到的数据与原始数据的规律更相符。
其他摘要	Functional data is a type of complex nonlinear structured data,which is often presented and stored in the form of functions(curves).However,in the process of data collection,missing data is inevitable.This paper proposes a Missforest Combin-ing Gaussian Processes(MFGP)method based on cross-sectional and longitudinal information.Inspired by the ensemble models,the method integrates imputation based on Missforest model(MF)with prediction based on Gaussian processes(GP),effectively in-tegrates cross-sectional and longitudinal information of functional data to enhance imputation accuracy.Meanwhile,the results of simulation data interpolation experiment and stock data example analysis show that under the missing ratio of 5%to 55%,MFGP has a significant imputation advantage over seven other imputation methods,namely mean imputation,Hot.deck,SFI,HFI,MICE,MF and GP,and the obtained data is more consistent with the original data.
关键词	机器学习缺失数据多重插补集成模型
DOI	10.13546/j.cnki.tjyjc.2025.05.006
URL	查看原文
收录类别	北大核心 ; 中国科技核心期刊 ; CSSCI ; AMI
ISSN	1002-6487
语种	中文
原始文献类型	学术期刊
中图分类号	O212.1
CN号	42-1009/C
文献类型	期刊论文
条目标识符	http://ir.lzufe.edu.cn/handle/39EH0E1M/38823
专题	统计与数据科学学院
作者单位	1.兰州财经大学统计与数据科学学院; 2.兰州财经大学甘肃省数字经济与社会计算科学重点实验室
第一作者单位	统计与数据科学学院; 兰州财经大学
推荐引用方式 GB/T 7714	高海燕,李唯欣. 基于横截面和纵向信息的函数型多重插补方法[J]. 统计与决策,2025,41(05):37-42.
APA	高海燕,&李唯欣.(2025).基于横截面和纵向信息的函数型多重插补方法.统计与决策,41(05),37-42.
MLA	高海燕,et al."基于横截面和纵向信息的函数型多重插补方法".统计与决策 41.05(2025):37-42.