A GMM Approach for Dealing with Missing Data on Regressors
处理解释变量缺失的 GMM 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：摘要研究通用线性回归中的解释变量缺失，未明确对应所列专门领域或数据结构。
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
处理解释变量缺失的 GMM 方法
- 研究问题
- 在线性回归中解释变量存在缺失时，如何构造有效估计量，并检验缺失机制假设及常用处理方法的可靠性？
- 方法与思路
- 作者建立处理解释变量缺失的一般 GMM 框架，在保证线性插补一致性的假设下估计，并构造缺失假设的设定检验。
- 材料陈述的贡献
- 摘要称所提估计量具有效率性质；缺失虚拟变量法即使在完全随机缺失时通常也不一致，一致时仍可能效率较低。
- 阅读关注点
- 应核对缺失假设与矩条件、效率比较的范围、设定检验能检验哪些限制，以及缺失虚拟变量法一致的特殊条件。
- 阅读边界
- 摘要未列出缺失机制的具体限制、矩条件或效率界；不能将其效率主张推广到任意缺失过程或非线性回归。
原文摘要
Missing data are a common challenge facing empirical researchers. This paper presents a general GMM framework and estimator for dealing with missing values of an explanatory variable in linear regression analysis. The GMM estimator is efficient under assumptions needed for consistency of linear-imputation methods. The estimator, which also allows for a specification test of the missingness assumptions, is compared to existing linear imputation, complete data, and dummy variable methods commonly used in empirical research. The dummy variable method is generally inconsistent even when data are missing completely at random, and the dummy variable method, when consistent, can be less efficient than the complete data method.