Incomplete Data in Generalized Linear Models
广义线性模型中的不完全数据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论广义线性模型缺失协变量的 EM 估计与渐近方差，属通用统计方法，未直接对应所给微观、宏观或金融领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
广义线性模型中的不完全数据
- 研究问题
- 研究部分协变量缺失的广义线性模型，在缺失机制为随机缺失的假设下，如何对参数进行最大似然估计并给出其渐近方差。
- 方法与思路
- 作者提出将任意广义线性模型 EM 算法的 E 步，在未观测协变量服从有限范围离散分布的假设下，写成加权完全数据对数似然的形式，从而使 M 步可直接最大化，得到参数的 MLE，并推导其渐近方差。
- 材料陈述的贡献
- 摘要称，该写法使 E 步可表达为加权完全数据对数似然，进而简化 M 步最大化并得到 MLE；同时给出 MLE 的渐近方差，并用两个例子说明结果。
- 阅读关注点
- 应核对缺失随机假设的具体表述、未观测协变量离散有限范围假设的合理性、E 步加权形式的推导条件、M 步最大化是否确有闭式或需迭代，以及渐近方差推导所依赖的正则条件与两个示例的设定。
- 阅读边界
- 仅有摘要，无法判断证明细节、模拟或实证表现与适用范围；来源为 OpenAlex 索引摘要且未注明稿件版本，不能据此声称已同行评审或期刊接收。
原文摘要
This article examines incomplete data for the class of generalized linear models, in which incompleteness is due to partially missing covariates on some observations. Under the assumption that the missing data are missing at random, it is shown that the E step of the EM algorithm for any generalized linear model can be expressed as a weighted complete data log-likelihood when the unobserved covariates are assumed to come from a discrete distribution with finite range. Expressing the E step in this manner allows for a straightforward maximization in the M step, thus leading to maximum likelihood estimates (MLE's) for the parameters. Asymptotic variances of the MLE's are also derived, and results are illustrated with two examples.