Likelihood Methods for Missing Covariate Data in Highly Stratified Studies
高度分层研究中协变量缺失的似然方法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：摘要聚焦分层模型中的缺失协变量推断，未涉及面板结构或离散选择行为。
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
高度分层研究中协变量缺失的似然方法
- 研究问题
- 在含分层特定干扰截距的典则连接广义线性模型中，如何处理协变量缺失，并比较不同建模策略的效率与错设敏感性？
- 方法与思路
- 作者在统一似然框架下比较以条件化消除截距的方法，区分协变量分布和缺失过程建模，并用模拟考察效率及稳健性。
- 材料陈述的贡献
- 摘要称识别了半参数有效估计量，并提出一种减少对缺失协变量模型依赖的新估计量；具体模拟比较结果未给出。
- 阅读关注点
- 应核对缺失机制及可识别条件、条件化如何消除截距、效率界对应的模型，以及新估计量究竟减少哪些建模依赖。
- 阅读边界
- 仅据所给 Crossref 摘要；缺失机制与错设条件未说明，减少模型依赖不能据此解读为无需缺失假设或具有双重稳健性。
原文摘要
Summary The paper considers canonical link generalized linear models with stratum-specific nuisance intercepts and missing covariate data. This family includes the conditional logistic regression model. Existing methods for this problem, each of which uses a conditioning argu- ment to eliminate the nuisance intercept, model either the missing covariate data or the missingness process. The paper compares these methods under a common likelihood framework. The semiparametric efficient estimator is identified, and a new estimator, which reduces dependence on the model for the missing covariate, is proposed. A simulation study compares the methods with respect to efficiency and robustness to model misspecification.