Inference and missing data
推断与缺失数据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：缺失机制可忽略性的抽样分布/似然/贝叶斯推断条件属于统计基础。
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
推断与缺失数据
- 研究问题
- 缺失数据出现时，什么条件允许在参数推断中忽略造成缺失的过程？摘要分别讨论抽样分布推断、直接似然推断和贝叶斯推断，关注缺失机制、已观测模式与参数关系如何影响推断的有效性。
- 方法与思路
- 摘要按推断框架区分可忽略条件：抽样分布推断对应“随机缺失”与“随机观测”，通常还条件于已观测缺失模式；直接似然和贝叶斯推断对应随机缺失，以及缺失过程参数与数据参数“相区分”。
- 材料陈述的贡献
- 摘要把上述条件表述为忽略缺失过程仍总能得到正确推断的最弱一般条件。其贡献在于区分不同推断框架的可忽略性要求，并强调抽样分布推断通常条件于已观测缺失模式，似然与贝叶斯推断还涉及参数区分。
- 阅读关注点
- 阅读时核对“随机缺失”“随机观测”及参数“相区分”的原文定义，逐一对应三种推断方式。尤其要追踪条件于缺失模式的步骤，并查看参数空间与先验如何处理，避免用现代简称替代原文条件。 阅读前先备知识：建议先掌握联合分布、条件分布、缺失指示变量、似然与贝叶斯后验，并区分数据模型参数与缺失过程参数。还应理解条件推断和抽样分布的含义，以便判断“忽略缺失机制”具体省略的是模型中的哪一部分。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。“随机观测”与参数“相区分”的精确定义未在摘要中展开，不宜直接套用后来的术语；也不能把可忽略缺失机制理解为删除缺失样本或任意填补均有效。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
When making sampling distribution inferences about the parameter of the data, θ, it is appropriate to ignore the process that causes missing data if the missing data are ‘missing at random’ and the observed data are ‘observed at random’, but these inferences are generally conditional on the observed pattern of missing data. When making direct-likelihood or Bayesian inferences about θ, it is appropriate to ignore the process that causes missing data if the missing data are missing at random and the parameter of the missing data process is ‘distinct’ from θ. These conditions are the weakest general conditions under which ignoring the process that causes missing data always leads to correct inferences.