A Geometric Approach to Assess Bias Due to Omitted Covariates in Generalized Linear Models
用几何方法评估广义线性模型中的遗漏协变量偏差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：摘要明确以随机处理分配为例讨论遗漏协变量对效应估计的影响，与因果分析中的参数解释直接相关。
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
用几何方法评估广义线性模型中的遗漏协变量偏差
- 研究问题
- 广义线性模型遗漏与响应相关的协变量时，纳入变量的效应估计为何会偏移，甚至在遗漏变量与纳入变量独立时也会如此？
- 方法与思路
- 作者利用链接函数的几何性质分析偏差方向，给出偏差大小表达并用模拟检验相关发现，同时扩展到遗漏与纳入变量相关的情况。
- 材料陈述的贡献
- 摘要称，偏差方向由链接函数的几何性质决定，独立协变量情形也可能出现偏差；论文提供偏差量化表达及相关情形扩展。
- 阅读关注点
- 应核对比较的效应参数与模型尺度、链接函数条件，以及随机处理分配示例中的系数偏移与因果效应目标之间的关系。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体模型条件和模拟结果未说明，不能将所有系数偏移都解释为因果混杂或推断刊本变化。
原文摘要
Misspecifying generalized linear models by omitting covariates associated with the response can result in seriously biased estimates of the effects of the included covariates. For certain models, such bias can occur even when the omitted covariate is independent of the included covariates, as in studies with randomized treatment assignment. This paper presents a geometric approach to assess the direction of the bias resulting from omitted covariates and develop intuition about the effects of omitted covariates. We show that the direction of the bias depends simply on geometric properties of the link function. We present an expression for the magnitude of the bias and the results of simulations which corroborate these findings. We also consider an extension of the methods to assess the effects of omitted covariates which are correlated with those included.