Bernoulli amputation
伯努利缺失值生成法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用缺失模式生成，金融时间序列仅为应用示例，未明确涉及定价、波动率、风险或其他所列细分目标。
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…
伯努利缺失值生成法
- 研究问题
- 如何通过指定缺失指示变量的分布，在完整数据中生成具有依赖关系的多种缺失模式，而无需逐一手工指定模式？
- 方法与思路
- 作者用 copula 与伯努利边际建模缺失指示变量，容纳完全随机、随机和非随机缺失，并通过结构或混合生成块状与单调缺失。
- 材料陈述的贡献
- 摘要称，该方法推导联合缺失概率和缺失相关性，以数学及数据示例展示灵活性，并给出多元金融时间序列应用。
- 阅读关注点
- 应核对缺失机制如何依赖已观测或未观测数据、copula 参数的可行约束，以及混合构造如何保证目标缺失模式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要研究缺失值生成，未说明由此改善下游估计或推断的效果。
原文摘要
A novel, stochastic approach to amputation, the process of introducing missing values to a complete dataset, is presented. It allows one to construct a wide variety of missingness patterns by only having to specify distributions of missingness indicators as opposed to specifying each missingness pattern manually. Missingness indicators are modeled in a principled way via copulas and Bernoulli margins, thus allowing one to incorporate dependence in missingness patterns. Besides more classical missingness mechanisms such as missing completely at random, missing at random, and missing not at random, the approach is able to model structured missingness such as block missingness and, via mixtures, monotone missingness, which are patterns of missing data frequently found in real-life datasets. Properties such as joint missingness probabilities or missingness correlation are derived mathematically. The flexibility of the approach in capturing different missingness patterns while only requiring to specify distributional assumptions on missingness indicators is demonstrated with mathematical examples and empirical illustrations in terms of a well-known example dataset of sufficiently small sample size that allows to identify each missing data point visually. Finally, an example application to multivariate financial time series is provided.