Multiple imputation when records used for imputation are not used or disseminated for analysis
插补所用记录不进入分析或发布时的多重插补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：摘要聚焦多重插补与测量误差下的通用方差推断，未明确涉及所列细分领域。
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
插补所用记录不进入分析或发布时的多重插补
- 研究问题
- 用于估计插补模型的部分记录不进入最终分析或发布时，如何纠正常规多重插补方差估计的正偏并校准推断？
- 方法与思路
- 作者先用全部记录抽取多组插补模型参数，再对每组参数重复生成完整数据，最后分析或发布所需记录子集。
- 材料陈述的贡献
- 摘要称该嵌套生成方案可支持无偏方差估计，并给出区间估计与显著性检验方法，在测量误差插补背景下展开。
- 阅读关注点
- 应核对两层抽样的方差分解、无偏性和校准所需条件，以及分析子集、参数抽样次数和重复插补次数的作用。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明模型相容性、缺失机制要求或有限重复次数的表现，不能推断任意插补模型下均无偏或刊本变化。
原文摘要
When some of the records used to estimate the imputation models in multiple imputation are not used or available for analysis, the usual multiple imputation variance estimator has positive bias. We present an alternative approach that enables unbiased estimation of variances and, hence, calibrated inferences in such contexts. First, using all records, the imputer samples m values of the parameters of the imputation model. Second, for each parameter draw, the imputer simulates the missing values for all records n times. From these mn completed datasets, the imputer can analyse or disseminate the appropriate subset of records. We develop methods for interval estimation and significance testing for this approach. Methods are presented in the context of multiple imputation for measurement error.