Local multiple imputation
局部多重插补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插补及平滑理论，没有明确对应所列因果、面板或分布效应方向。
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
局部多重插补
- 研究问题
- 当参数式多重插补对数据分布和回归关系的假设不成立时，如何减少这些假设并保持插补后最终估计的一致性？
- 方法与思路
- 作者研究基于局部重抽样的完全非参数与半参数插补方法，并推导最终估计量的偏差、方差和均方误差表达式。
- 材料陈述的贡献
- 摘要称局部插补后的最终估计量在较少或无需参数假设下具有一致性，并揭示不同平滑参数的理论影响。
- 阅读关注点
- 应核对缺失机制和局部重抽样的条件、最终估计目标、平滑参数选择，以及多重插补不确定性的处理方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制与一致性条件未说明，无需参数假设不等于无需其他假设。
原文摘要
Dealing with missing data via parametric multiple imputation methods usually implies stating several strong assumptions both about the distribution of the data and about underlying regression relationships. If such parametric assumptions do not hold, the multiply imputed data are not appropriate and might produce inconsistent estimators and thus misleading results. In this paper, a fully nonparametric and a semiparametric imputation method are studied, both based on local resampling principles. It is shown that the final estimator, based on these local imputations, is consistent under fewer or no parametric assumptions. Asymptotic expressions for bias, variance and mean squared error are derived, showing the theoretical impact of the different smoothing parameters. Simulations illustrate the usefulness and applicability of the method.