en مقایسه‌ی تجربی عمل‌کرد رویکرد یک‌پارچه‌ی خطی‌سازی در براورد واریانس پس از جانهی با چند روش دیگر عمومى General پژوهشي Research <p style="text-align: justify"><span dir="RTL">جانهی یکی از رایج‌ترین روش‌های تعدیل اثر بی‌پاسخی قلم اطلاعاتی است. با استفاده از جانهی، مجموعه داده‌ها کامل شده و امکان استفاده از براوردگرهای خام فراهم می‌شود. در بیش‌تر روش‌های رایج جانهی، براوردگرهایی مانند میانگین و مجموع ‌کل نااریبی خود را حفظ می‌کنند ولی معمولاً واریانس این براوردگرها (واریانس جانهی) با استفاده از براوردگرهای خام، کم‌براورد می‌شود. منبع‌های پراکندگی نهفته در براوردگرهای خام واریانس، ساختار نمونه‌گیری و مقدارهای متغیر پاسخ هستند. در حالی که پس از جانهی، منبع‌های تغییر دیگری مانند ساختار گم‌شدگی و فرایند جانهی نیز ایجاد می‌شوند. ولی براوردگرهای خام، این منبع‌های تغییر را در نظر نمی‌گیرند. در این مقاله رویکرد یک‌پارچه‌ی خطی‌سازی در براورد واریانس جانهی به‌عنوان یک روش کارا در براورد واریانس جانهی بررسی می‌شود. در این روش ابتدا براوردگر جانهی با استفاده از روش خطی‌سازی تیلور نسبت به براوردگرهای پارامترهای مزاحم خطی می‌شود. براوردگر خطی‌‌سازی‌شده یک معادل مجانبی برای براوردگر جانهی است. واریانس این دو براوردگر نیز به‌طور مجانبی برابر هستند. رویکرد یک‌پارچه، همه‌ی روش‌های جانهی قطعی و تصادفی را به جز جانهی نزدیک‌ترین همسایه پوشش می‌دهد. با یک مطالعه‌ی کاربردی، هنگامی که روش جانهی رگرسیونی است، براوردگرهای واریانس جانهی در جانهی ‌چندگانه، روش مدل‌یار، خودگردانی و رویکرد یک‌پارچه بر اساس معیارهایی مانند کارایی نسبی و احتمال پوشش با یکدیگر مقایسه می‌شوند. یافته‌های مطالعه نشان می‌دهد که رویکرد یک‌پارچه و روش مدل‌یار کارایی مشابهی دارند و با افزایش اندازه‌ی نمونه‌ای یا نرخ‌های بی‌پاسخی، نتیجه‌های پایداری ارایه می‌دهند.</span></p> <p>Imputation is one of the most common methods to reduce item non_response effects. Imputation results in a complete data set, and then it is possible to use naϊve estimators. After using most of common imputation methods, mean and total (imputation estimators) are still unbiased. However their variances (imputation variances) are underestimated by naϊve variance estimators. Sampling mechanism and response variable values are variation sources which have been hidden in naϊve variance estimators. While missing mechanism and imputation processes are other sources which are created after imputation. The naϊve estimator does not account for these new variation sources. In this paper, a recent method of unified approach to linearization imputation variance estimation is explained. In this method, imputation estimator is linearized with respect to nuisance parameters estimators. Then linear estimator is asymptotically equal to imputation estimator. Variance estimators are also asymptotically equal. The unified approach can cover all deterministic and stochastic imputation methods, except nearest neighbors method. By a simulation study, imputation variance estimators of multiple imputation, model-assisted, bootstrap and unified approach are compared when regression imputation has been implemented. Performance of the imputation variance estimators are compared with respect to relative efficiency and coverage probability. Findings of the study show that unified approach and model_assisted are close in values of efficiencies and give more stable results through either increasing sample size or non-response rate.</p> بی‌پاسخی, جانهی چندگانه, واریانس جانهی, ساختار گم‌شدگی, شبه‌درست‌نمایی, روش مدل‌یار, خودگردانی, خطی‌سازی, رویکرد معکوس. Non_response, multiple imputation, imputation variance, missing mechanism, quasi-likelihood, model-assisted method, bootstrap, linearization, reverse approach. 125 146 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-22&slc_lang=en&sid=1 Shahrzad Khatibi Nouri شهرزاد خطیبی نوری khtbnr.sh@gmail.com 1003194753284600712 1003194753284600712 Yes Haminreza Navvabpour حمیدرضا نواب‌پور h.navvabpour@srtc.ac.ir 1003194753284600713 1003194753284600713 No