Resampling methods with multiply imputed data
多重插补数据的重抽样方法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：摘要研究缺失数据处理与通用不确定性估计，未明确涉及因果效应、面板或其他所列专门主题。
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
多重插补数据的重抽样方法
- 研究问题
- 存在随机多重插补时，如何结合刀切法或自助法评估不确定性，并选择每个重抽样重复组所需的插补次数？
- 方法与思路
- 作者推导以重抽样替代传统合并规则的理论，分析重复组内独立多次插补的要求，并讨论偏差调整版本。
- 材料陈述的贡献
- 摘要称，刀切法每组插补数须远超重复组数，而自助法没有同样要求；偏差调整版本可能减少插补需求，并有模拟支持。
- 阅读关注点
- 应核对插补机制与重抽样层次、两类重复次数的渐近关系，以及偏差调整公式和减少插补次数的成立条件。
- 阅读边界
- 仅依据所给Crossref摘要；缺失机制、有效性条件和次数关系的精确定义未说明，不能据此直接指定通用插补次数。
原文摘要
Abstract Resampling techniques have become increasingly popular for estimation of uncertainty. However, data are often fraught with missing values that are commonly imputed to facilitate analysis. This article addresses the issue of using resampling methods such as a jackknife or bootstrap in conjunction with imputations that have been sampled stochastically, in the vein of multiple imputation. We derive the theory needed to illustrate two key points regarding the use of resampling methods in lieu of traditional combining rules. First, imputations should be independently generated multiple times within each replicate group of a jackknife or bootstrap. Second, the number of multiply imputed datasets per replicate group must dramatically exceed the number of replicate groups for a jackknife; however, this is not the case in a bootstrap approach. We also discuss bias-adjusted analogues of the jackknife and bootstrap that are argued to require fewer imputed datasets. A simulation study is provided to support these theoretical conclusions.