Maximum likelihood estimation for mixed continuous and categorical data with missing values
含缺失值的连续与分类混合数据的最大似然估计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：摘要中的分类变量与logistic回归服务于通用缺失数据分析，未明确建立离散选择或因果推断模型。
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…
含缺失值的连续与分类混合数据的最大似然估计
- 研究问题
- 当数据同时包含连续与分类变量，且预测变量或类别标签存在缺失时，如何在统一模型下完成估计及相关分析？
- 方法与思路
- 作者以一般位置模型及其扩展为基础，使用EM算法求解不完整数据的最大似然估计，并展示插补、回归及聚类应用。
- 材料陈述的贡献
- 摘要称，该方法涵盖多种既有不完整数据算法，并可用于缺失预测变量下的回归、判别分析和参数聚类。
- 阅读关注点
- 应核对连续与分类变量联合模型的限制、缺失机制假设、EM更新步骤，以及插补和回归分析如何处理估计不确定性。
- 阅读边界
- 依据稿件版本未注明的OpenAlex索引摘要；摘要未说明缺失机制、识别条件及算法收敛保证，应用效果也无数值。
原文摘要
Maximum likelihood procedures for analysing mixed continuous and categorical data with missing values are presented. The general location model of 01kin & Tate (1961) and extensions introduced by Krzanowski (1980, 1982) form the basis for our methods. Maximum likelihood estimation with incomplete data is achieved by an application of the EM algorithm (Dempster, Laird & Rubin, 1977). Special cases of the algorithm include Orchard & Woodbury's (1972) algorithm for incomplete normal samples, Fuchs's (1982) algorithms for log linear modelling of partially classified contingency tables, and Day's (1969) algorithm for multivariate normal mixtures. Applications include: (a) imputation of missing values, (b) logistic regression and discriminant analysis with missing predictors and unclassified observations, (c) linear regression with missing continuous and categorical predictors, and (d) parametric cluster analysis with incomplete data. Methods are illustrated using data from the St Louis Risk Research Project.