Linear models, random censoring and synthetic data
线性模型、随机删失与合成数据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：摘要研究通用删失线性回归，未涉及离散选择、面板或经济结构估计的明确设定。
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
线性模型、随机删失与合成数据
- 研究问题
- 在线性模型存在随机删失时，如何把最小二乘推广为基于合成观测的估计，并获得一致性与渐近正态性？
- 方法与思路
- 作者通过放大相邻次序统计量之间的间隔构造合成时间，再对其应用普通最小二乘，并用实例与已有估计比较。
- 材料陈述的贡献
- 摘要称该合成数据估计在适当正则条件下具有 Fisher 一致性与渐近正态性，实例用于比较其他删失回归估计。
- 阅读关注点
- 应核对合成时间的构造、随机删失与协变量的关系、正则条件，以及实例比较所采用的误差和性能指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；删失独立性等具体条件及比较结果未提供，不能据此断言方法更优。
原文摘要
Estimators for the linear model in the presence of censoring are available. A new extension of the least-squares estimator to censored data is equivalent to applying the ordinary least-squares estimator to synthetic times, time constructed by magnifying the gaps between successive order statistics. Under suitable regularity conditions, the synthetic data estimator is Fisher consistent and asymptotically normal. Examples facilitate com parison of the synthetic data estimator with estimators proposed by Buckley & James (1979) and by Koul, Susarla & Van Ryzin (1981).