Oliver Hines and Karla Diaz-Ordazʼs Contribution to the Discussion of ‘Assumption-Lean Inference For Generalised Linear Model Parameters’ by Vansteelandt and Dukes
Hines 与 Diaz-Ordaz 对《广义线性模型参数的弱假设推断》的讨论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：材料讨论一般回归投影与模型设定，未明确建立因果识别或其他所列细分领域的模型依据。
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
Hines 与 Diaz-Ordaz 对《广义线性模型参数的弱假设推断》的讨论
- 研究问题
- 在回归模型可能设定错误时，如何把工作模型参数理解为真实分布的投影，并使参数解释不依赖余项恰好为零的假设？
- 方法与思路
- 这篇讨论稿对比参数建模与投影视角：前者假定余项为零，后者寻求在某种意义下使余项较小的参数，并联系相关发展。
- 材料陈述的贡献
- 讨论作者强调模型投影目标量的解释价值，并指出参数模型正确时两种视角报告的主效应一致；所给摘要未提供新定理或估计程序。
- 阅读关注点
- 应核对原主论文的目标量定义、投影中衡量余项大小的方式、主效应的统计含义，以及讨论作者与主论文论点的对应关系。
- 阅读边界
- 所给材料是讨论稿的索引摘要，不能冒充主论文结果。余项表达式未完整提供，无法据此重构投影公式，也不能自动作因果解释。
原文摘要
We congratulate the authors on their work, which contributes to a growing movement in Statistics, moving away from (semi)parametric-based regression model assumptions, in favour of understanding working models as non-parametric projections of the true distribution. Here, we highlight this aspect of the work, and draw connections with other recent developments. The parametric modeller assumes that for some particular β, ω(.), the remainder term is exactly zero. Inference is usually carried out under this assumption, resulting in the dishonest inference described in (Vansteelandt & Dukes, 2020). The projectionist, however, instead aims to report β such that the remainder term is, in some sense, small. The projectionist argues that when the remainder is small, β captures the main effect of A on Y. Indeed when the parametric modeller is correct, both the reported main effects coincide. We believe that model projection estimands represent an exciting frontier in statistical research.