在典型相关分析中考虑结构性缺失

一种特别具有挑战性的缺失数据形式是结构性缺失，其中一组被试和变量持续存在缺失数据。对于来自子研究或模态的表格数据，结构性缺失可能来自于未参与后续研究，导致大块缺失数据的出现。典型相关分析（CCA）是一种常用的多变量建模工具，用于链接两组不同的变量，且在神经成像中通常用于寻找成像变量与非成像变量之间的关联。在CCA的启发下，我们提出了一种新的从不完整数据中进行协方差估计的方法，处理混合有结构性和无结构性缺失的数据，假设为随机缺失（MAR）。我们所提的方法通过对模拟数据进行评估以及对来自英国生物银行脑成像队列的真实数据进行评估与现有方法进行了比较。