Weighted-average least squares estimation of generalized linear models
广义线性模型的加权平均最小二乘估计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：摘要主要讨论通用 GLM 模型平均，未明确提供离散选择或其他给定细分方向的依据。
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…
广义线性模型的加权平均最小二乘估计
- 研究问题
- 当广义线性模型的线性预测子存在解释变量选择不确定性时，如何扩展加权平均最小二乘方法并分析其统计性质？
- 方法与思路
- 作者将 WALS 从高斯线性模型扩展至广义线性模型，在局部误设框架下研究渐近性质，并开展基于 SHARE 流失分析的模拟。
- 材料陈述的贡献
- 摘要明确陈述对广义线性模型的 WALS 扩展及其大样本分析，并用具有实际调查背景的设计考察有限样本性质。
- 阅读关注点
- 应核对 GLM 中加权平均的具体构造、局部误设尺度，以及调查样本流失如何进入模拟设计和比较标准。
- 阅读边界
- 仅据所给出版社摘要，不能判断具体 GLM 类型或模拟结果；既有高斯模型中的优势不能直接视为此次扩展的结论。
原文摘要
The weighted-average least squares (WALS) approach, introduced by Magnus et al. (2010) in the context of Gaussian linear models, has been shown to enjoy important advantages over other strictly Bayesian and strictly frequentist model-averaging estimators when accounting for problems of uncertainty in the choice of the regressors. In this paper we extend the WALS approach to deal with uncertainty about the specification of the linear predictor in the wider class of generalized linear models (GLMs). We study the large-sample properties of the WALS estimator for GLMs under a local misspecification framework, and the finite-sample properties of this estimator by a Monte Carlo experiment the design of which is based on a real empirical analysis of attrition in the first two waves of the Survey of Health, Aging and Retirement in Europe (SHARE).