Monte Carlo likelihood inference for missing data models
缺失数据模型的蒙特卡洛似然推断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：摘要研究通用缺失数据似然与混合模型，未明确限定于面板或离散选择应用。
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
缺失数据模型的蒙特卡洛似然推断
- 研究问题
- 缺失数据模型的观测似然没有闭式表达时，如何近似最大似然估计，并同时计入观测样本与模拟样本带来的误差？
- 方法与思路
- 作者使用独立同分布且独立于观测数据的模拟缺失数据近似似然，考察两种样本量同时增大时的估计性质。
- 材料陈述的贡献
- 摘要称，近似估计对 KL 信息最小化参数一致且渐近正态，提供代入式方差估计，并展示使用 R 包计算的混合模型例子。
- 阅读关注点
- 应核对模拟分布的选择、两类样本量的相对增长要求，以及目标参数定义和方差估计如何处理模拟与观测误差。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明正则条件、模拟预算或 R 包名称，目标参数也不能直接等同于真实参数。
原文摘要
We describe a Monte Carlo method to approximate the maximum likelihood estimate (MLE), when there are missing data and the observed data likelihood is not available in closed form. This method uses simulated missing data that are independent and identically distributed and independent of the observed data. Our Monte Carlo approximation to the MLE is a consistent and asymptotically normal estimate of the minimizer θ* of the Kullback–Leibler information, as both Monte Carlo and observed data sample sizes go to infinity simultaneously. Plug-in estimates of the asymptotic variance are provided for constructing confidence regions for θ*. We give Logit–Normal generalized linear mixed model examples, calculated using an R package.