A conditional model for incomplete covariates in parametric regression models
参数回归中不完整协变量的条件模型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：文本讨论一般参数回归的缺失协变量处理，未明确对应面板、因果推断或所列其他细分。
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
参数回归中不完整协变量的条件模型
- 研究问题
- 分类协变量缺失较多且缺失模式高度非单调时，协变量分布的大量干扰参数如何影响回归参数估计的稳定性？
- 方法与思路
- 作者为协变量分布建立条件模型，减少加权 EM 方法中需要估计的干扰参数，并以含多个缺失协变量的临床试验示例说明。
- 材料陈述的贡献
- 摘要称，该条件建模方式为 EM 的 E 步提供若干建模便利，并通过减少干扰参数提高有限样本中目标参数估计的稳定性。
- 阅读关注点
- 应核对条件模型的具体分解、缺失机制假设、E 步权重计算及稳定性证据，并检查模型设定错误时的表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明缺失机制、识别条件或稳定性改善的具体幅度。
原文摘要
Incomplete covariate data arise in many data sets. When the missing covariates are categorical, a useful technique for obtaining parameter estimates is the EM algorithm by the method of weights proposed in Ibrahim (1990). This method requires the estimation of many nuisance parameters for the distribution of the covariates. Unfortunately, in data sets when the percentage of missing data is high, and the missing covariate patterns are highly non-monotone, the estimates of the nuisance parameters can lead to highly unstable estimates of the parameters of interest. We propose a conditional model for the covariate distribution that has several modelling advantages for the E-step and provides a reduction in the number of nuisance parameters, thus providing more stable estimates in finite samples. We present a clinical trials example with six covariates, five of which have some missing values.