Characterizing the Estimation of Parameters in Incomplete-Data Problems
不完整数据问题中参数估计的结构刻画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：摘要讨论一般多元数据的缺失与似然分解，未明确涉及面板结构或其他给定细分领域。
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
不完整数据问题中参数估计的结构刻画
- 研究问题
- 对于存在成块缺失观测的多元数据，如何将参数估计问题分解为可用完整数据方法处理的部分与需要专门缺失数据方法的部分？
- 方法与思路
- 作者将观测数据似然分解为若干似然的乘积，把原估计问题拆成较小问题，并用“分解表”标明完整与不完整数据因子。
- 材料陈述的贡献
- 摘要称，论文提供组织和理解缺失数据参数估计的框架，使不同似然因子所需的完整数据技术或专门缺失数据方法更清晰。
- 阅读关注点
- 应核对似然分解成立的条件、不同因子是否共享参数，以及分解表如何对应缺失模式和实际估计步骤。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明缺失机制及其可忽略性，也未给出通用算法的性质保证。
原文摘要
A framework is given for organizing and understanding the problems of estimating the parameters of a multivariate data set which contains blocks of missing observations. The basic technique is to decompose the original estimation problem into smaller estimation problems by factoring the likelihood of the observed data into a product of likelihoods. The result is summarized in a “factorization table,” which identifies the “complete-data” factors whose parameters may be estimated using standard, well-understood complete-data techniques, and the “incomplete-data” factors whose parameters must be estimated using special missing-data methods.