结果中的缺失值的统计详细信息

当处理为二值型变量时，“因果处理”特质自动处理结果 Y 的缺失值。不过，若指定的处理模型或响应模型中的任何预测变量缺失数据，相应的观测将被排除在分析之外。

对于结果 Y 的缺失值，其处理方法是：先对缺失（或删失）的概率建模，然后在应用逆处理概率权重 (IPTW) 之外，还应用逆删失概率权重 (IPCW)。该计算的步骤如下：

1. 拟合删失模型。

拟合两个删失模型，每个处理水平对应一个模型。这两个模型都是 Logistic 回归模型，以 Y 中的缺失指示变量作为结果。预测变量是在处理模型中指定的变量。

2. 生成删失权重。

当仅指定处理模型、估计方法为采用比率调整的逆概率加权 (IPWR) 并选定稳定权重时，删失权重才是稳定的。否则，删失权重不稳定。

稳定 IPCW 定义如下：

wsIPCW = p(C)/p(C|Z)

其中

C 是 Y 中的缺失指示变量

Z 是在处理模型中指定的一组预处理协变量

p(C) 是给定的处理水平中缺失 Y 值的观测比例

p(C|Z) 是在给定协变量 Z 时 Y 缺失的概率，使用对应于给定处理水平的拟合删失模型来计算该概率。

非稳定 IPCW 定义如下：

wIPCW = 1/p(C|Z)。

3. 将这两个权重相乘。

按上文所述计算 IPTW。请参见稳定权重。随后计算 IPCW 权重和 IPTW 权重的乘积。

4. （仅当指定了权重截断阈值时才执行。）根据阈值来截断权重。

可以应用截断权重。请参见IPW 极值权重截断阈值。若step 3中计算得到的乘积大于指定阈值，则该权重将被替换为阈值。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).