Miscellanea. A robust imputation method for surrogate outcome data
杂论：替代结局数据的稳健插补方法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：摘要研究替代结局与随机验证样本下的回归插补，未涉及处理效应识别或其他所列细分问题，故不作领域扩展。
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
杂论：替代结局数据的稳健插补方法
- 研究问题
- 真实结局仅在简单随机抽取的验证子样本中观测、全样本拥有替代结局时，如何稳健估计目标条件均值模型的回归参数？
- 方法与思路
- 作者以指定的参数工作模型预测并插补缺失结局，再按结局完整观测的方式估计回归参数，研究其大样本和有限样本性质。
- 材料陈述的贡献
- 摘要称，在给定目标均值模型和随机验证子样本的框架内，即使插补工作模型设定错误，回归参数估计量仍具有一致性。
- 阅读关注点
- 应核对预测值如何构造和校准、验证样本抽样条件、目标均值模型要求，以及插补后方差估计是否计入预测的不确定性。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；稳健性针对工作模型误设，摘要未支持非随机验证样本或目标均值模型误设下的一致性。
原文摘要
We consider estimation for regression analysis with surrogate or auxiliary outcome data. Assume that the regression model for the conditional mean of the outcome is a known function of a linear combination of the covariates with unknown coefficients, which are the regression parameters of interest. Such a class of models includes the generalised linear models as special cases. Suppose further that the outcome variable of interest is only observed in a validation subset, which is a simple random subsample from the whole sample, and that data on covariates as well as on one or more easily measured but less accurate surrogate outcome variables is collected from the whole sample. We propose a robust imputation approach which replaces the unobserved value of the outcome by its 'predicted' value generated from a specified 'working' parametric model. Estimation of the regression parameters is conducted as if the outcome data were completely observed. The resulting estimator of the regression parameter is consistent even if the 'working model' is misspecified. Large and finite sample properties for the proposed estimator are investigated.