Statistical Matching: A Frequentist Theory, Practical Applications, and Alternative Bayesian Approaches

تکنیک‌های تطبیق داده‌ها یا تطبیق فایل‌های آماری، مجموعه داده‌ها را از نمونه‌های نظرسنجی مختلف ادغام می‌کنند تا مشکلی را که زمانی که هیچ فایل واحدی حاوی همه متغیرهای مورد علاقه نیست، حل کند. آژانس‌های رسانه‌ای در حال ادغام تلویزیون و داده‌های خرید هستند، دفاتر آماری اطلاعات مالیاتی را با نظرسنجی‌های درآمدی مطابقت می‌دهند. بسیاری از کاربردهای سنتی شناخته شده هستند، اما دستیابی به اطلاعات در مورد این روش ها اغلب دشوار است. نویسنده استفاده از تکنیک‌های انتساب چندگانه (MI) را با استفاده از توزیع‌های قبلی اطلاعاتی برای غلبه بر فرض استقلال شرطی پیشنهاد می‌کند. با استفاده از حساسیت MI ارتباط بی قید و شرط متغیرهایی که به صورت مشترک مشاهده نشده اند را می توان نمایش داد. استفاده از رویکردهای جایگزین با داده های دنیای واقعی کتاب را به پایان می رساند.

Data fusion or statistical file matching techniques merge data sets from different survey samples to solve the problem that exists when no single file contains all the variables of interest. Media agencies are merging television and purchasing data, statistical offices match tax information with income surveys. Many traditional applications are known but information about these procedures is often difficult to achieve. The author proposes the use of multiple imputation (MI) techniques using informative prior distributions to overcome the conditional independence assumption. By means of MI sensitivity of the unconditional association of the variables not jointy observed can be displayed. An application of the alternative approaches with real world data concludes the book.