Sequential Imputations and Bayesian Missing Data Problems
序贯插补与贝叶斯缺失数据问题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：摘要是通用贝叶斯缺失数据计算方法，未明确涉及所列因果、面板或预测应用。
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…
序贯插补与贝叶斯缺失数据问题
- 研究问题
- 面对依赖迭代的数据增广可能收敛缓慢的缺失数据问题，如何构造序贯插补方法，并便利地更新分析和开展预测？
- 方法与思路
- 作者按顺序插补缺失数据并计算相应的重要性采样权重，以此构造贝叶斯计算程序，并讨论敏感性、影响分析和新数据更新。
- 材料陈述的贡献
- 摘要称新程序在许多应用中无需迭代即可良好工作，且可低成本开展若干后续分析，并纳入贝叶斯预测与模型选择。
- 阅读关注点
- 应核对序贯插补分布如何选择、重要性权重的计算与稳定性、何种应用可免迭代，以及与数据增广方法的精度和成本比较。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；无需迭代与低成本是摘要的应用性陈述，适用条件及数值证据未说明。
原文摘要
For missing data problems, Tanner and Wong have described a data augmentation procedure that approximates the actual posterior distribution of the parameter vector by a mixture of complete data posteriors. Their method of constructing the complete data sets is closely related to the Gibbs sampler. Both required iterations, and, similar to the EM algorithm, convergence can be slow. We introduce in this article an alternative procedure that involves imputing the missing data sequentially and computing appropriate importance sampling weights. In many applications this new procedure works very well without the need for iterations. Sensitivity analysis, influence analysis, and updating with new data can be performed cheaply. Bayesian prediction and model selection can also be incorporated. Examples taken from a wide range of applications are used for illustration.