Lợi thế tương đối của nhiều mức tối đa hóa và kỳ vọng (EM)

Tôi đã có một vấn đề trong đó

Tôi quan sát y, nhưng không phải cũng không b . Tôi muốn ước tính$a$$b$

Tôi có thể ước tính , sử dụng một số mô hình hồi quy. Điều này cho phép tôi b . Sau đó tôi có thể ước tính$a$$\hat b$

Vấn đề đầu tiên: một mô hình hồi quy để dự đoán có thể dẫn đến b là tiêu cực, trong đó sẽ không thực hiện bất kỳ ý nghĩa. Không chắc chắn làm thế nào để giải quyết vấn đề này (không phải là vấn đề mà tôi đã giải quyết rất nhiều) nhưng có vẻ như là vấn đề mà người khác thường xuyên phải giải quyết. Một số loại GLM không gaussian?$a$$\hat b$

Vấn đề chính là làm thế nào để giải thích cho sự không chắc chắn trong mô hình chính mà xuất phát từ ước lượng b . Tôi đã sử dụng nhiều lần cắt bỏ trước đây cho các đồng biến bị thiếu. Nhưng đây là một "tham số tiềm ẩn" bị thiếu. Ngoài ra, nó là dữ liệu kết quả, có vẻ như OK để buộc tội . Tuy nhiên tôi thường nghe nói về EM được sử dụng cho các tham số "tiềm ẩn". Tôi không chắc tại sao, tôi cũng không biết liệu EM có tốt hơn trong những bối cảnh này không. MI là trực quan cả để hiểu, thực hiện và giao tiếp. EM là trực quan để hiểu, nhưng có vẻ khó thực hiện hơn (và tôi đã không làm điều đó). $\hat b$

EM có vượt trội hơn đối với loại vấn đề tôi gặp ở trên không? Nếu vậy, tại sao? Thứ hai, làm thế nào để người ta thực hiện nó trong R cho một mô hình tuyến tính, hoặc cho một mô hình bán đảo (GAM)?

$y$

$a = Z\alpha+\nu$$Z$$\alpha$$a$$b$$b = f(x)+\epsilon$$f(x)$$f(x) = \exp(\psi(x))$

$\eta$$y=a+b$

$\psi$$a$

$y$$f$

Điều đó không thực sự giải quyết vấn đề buộc tội. Tuy nhiên, loại khung mô hình này có thể được chèn vào một cái gì đó giống như gợi ý của bạn về việc sử dụng EM.