Multiple imputation in quantile regression
分位数回归中的多重插补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：摘要直接讨论缺失协变量下的分位数回归参数估计、渐近性质及稳健性调整，因此归入分位数与分布效应方向。
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
分位数回归中的多重插补
- 研究问题
- 当部分协变量满足随机缺失条件时，如何利用完整与不完整观测估计分位数回归参数，并减轻插补相关模型错设的影响？
- 方法与思路
- 作者提出利用全体数据的多重插补估计，并进一步构造可针对潜在偏差自动调整的收缩估计，以模拟和饮食数据展示方法。
- 材料陈述的贡献
- 摘要称所得系数估计具有根号样本量一致性与渐近正态性，并提出处理可能模型错设的收缩方案及有限样本评估。
- 阅读关注点
- 应核对随机缺失的具体条件、插补模型与目标分位回归的关系，以及收缩权重如何调节偏差和估计效率。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近性质所需条件及错设保护范围未说明，不能推及非随机缺失或任意模型错设。
原文摘要
We propose a multiple imputation estimator for parameter estimation in a quantile regression model when some covariates are missing at random. The estimation procedure fully utilizes the entire dataset to achieve increased efficiency, and the resulting coefficient estimators are root-n consistent and asymptotically normal. To protect against possible model misspecification, we further propose a shrinkage estimator, which automatically adjusts for possible bias. The finite sample performance of our estimator is investigated in a simulation study. Finally, we apply our methodology to part of the Eating at American’s Table Study data, investigating the association between two measures of dietary intake.