Missing-Data Adjustments in Large Surveys
大型调查中的缺失数据调整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：摘要讨论通用调查缺失数据、插补及加权调整，未明确关联所列因果、面板或其他专门细分，故不作分类。
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
大型调查中的缺失数据调整
- 研究问题
- 大型政府调查中，如何为数值资料设计通用插补方法，同时处理整单位未回应、单项未回应和一般缺失模式？
- 方法与思路
- 作者提出预测均值匹配插补，给出单位与项目未回应下的版本，讨论多重插补扩展，并概述相应的加权调整方案。
- 材料陈述的贡献
- 摘要将预测均值匹配作为现有插补实践的扩展，讨论通用方法应具备的性质，并比较加权调整的优缺点及其类似构造。
- 阅读关注点
- 应核对预测模型、匹配与供体选择规则、缺失机制条件，以及多重插补和加权方案如何反映插补带来的不确定性。
- 阅读边界
- 摘要未给出缺失机制假设、算法细节或性能比较结果；不能据此认定预测均值匹配在所有调查设计下都能提供有效推断。
原文摘要
Useful properties of a general-purpose imputation method for numerical data are suggested and discussed in the context of several large government surveys. Imputation based on predictive mean matching is proposed as a useful extension of methods in existing practice, and versions of the method are presented for unit nonresponse and item nonresponse with a general pattern of missingness. Extensions of the method to provide multiple imputations are also considered. Pros and cons of weighting adjustments are discussed, and weighting-based analogs to predictive mean matching are outlined.