Empirical likelihood for estimating equations with missing values
含缺失值估计方程的经验似然推断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：摘要研究一般缺失数据与经验似然推断，选择偏差一词不足以确认其属于因果推断方向。
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
含缺失值估计方程的经验似然推断
- 研究问题
- 当观测向量部分分量缺失、目标参数由一般估计方程定义时，如何进行插补并利用经验似然实现参数估计与推断？
- 方法与思路
- 作者根据始终可观测变量，用核方法估计缺失变量的条件分布并进行非参数插补，再构造目标参数的剖面经验似然。
- 材料陈述的贡献
- 摘要称该插补可消除缺失带来的选择偏差，经验似然可提高参数估计效率，并用模拟和重组近交系小鼠数据评估方法。
- 阅读关注点
- 应核对缺失机制及可识别性条件、条件分布核估计的维度与带宽要求，以及效率提升相对于何种估计方法而言。
- 阅读边界
- 依据OpenAlex索引摘要，稿件版本未注明；摘要未明确缺失机制和效率比较基准，不能据此声称任意不可忽略缺失的偏差均可消除。
原文摘要
We consider an empirical likelihood inference for parameters defined by general estimating equations when some components of the random observations are subject to missingness. As the nature of the estimating equations is wide-ranging, we propose a nonparametric imputation of the missing values from a kernel estimator of the conditional distribution of the missing variable given the always observable variable. The empirical likelihood is used to construct a profile likelihood for the parameter of interest. We demonstrate that the proposed nonparametric imputation can remove the selection bias in the missingness and the empirical likelihood leads to more efficient parameter estimation. The proposed method is further evaluated by simulation and an empirical study on a genetic dataset on recombinant inbred mice.