Miscellanea. Small-sample degrees of freedom with multiple imputation
多重插补中的小样本自由度调整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：摘要讨论通用缺失数据与多重插补推断，没有足够证据对应所列具体领域。
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
多重插补中的小样本自由度调整
- 研究问题
- 当完整数据自由度较小且缺失比例不高时，多重插补合并推断的参考自由度可能过大，如何调整以适应小样本推断？
- 方法与思路
- 作者沿用贝叶斯框架推导调整后的自由度，使其随完整数据自由度增加、不超过完整数据自由度，并满足无限自由度下的极限要求。
- 材料陈述的贡献
- 摘要称，调整满足上述三个性质，且一项小型模拟显示其频率学表现优于原自由度；未提供覆盖率或其他具体数值。
- 阅读关注点
- 应核对调整公式、缺失信息比例的估计方式、完整数据自由度的定义，以及模拟中的缺失机制、插补次数和评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能判断该调整对任意插补模型或缺失机制是否有效，也不能量化其有限样本收益。
原文摘要
An appealing feature of multiple imputation is the simplicity of the rules for combining the multiple complete-data inferences into a final inference, the repeated-imputation inference (Rubin, 1987). This inference is based on a t distribution and is derived from a Bayesian paradigm under the assumption that the complete-data degrees of freedom, νcom, are infinite, but the number of imputations, m, is finite. When νcom is small and there is only a modest proportion of missing data, the calculated repeated-imputation degrees of freedom, νm, for the t reference distribution can be much larger than νcom, which is clearly inappropriate. Following the Bayesian paradigm, we derive an adjusted degrees of freedom, ν̃m, with the following three properties: for fixed m and estimated fraction of missing information, ν̃m monotonically increases in νcom; ν̃m is always less than or equal to νcom; and ν̃m equals νm when νcom is infinite. A small simulation study demonstrates the superior frequentist performance when using ν̃m rather than νm.