A geometric approach to assess bias due to omitted covariates in generalized linear models
评估广义线性模型遗漏协变量偏误的几何方法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：摘要虽提及随机处理分配，但核心是一般广义线性模型的遗漏变量偏误，未明确建立因果效应估计框架。
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
评估广义线性模型遗漏协变量偏误的几何方法
- 研究问题
- 在广义线性模型中，遗漏与响应相关的协变量为何可能使已纳入协变量的效应估计偏移，即使遗漏变量与已纳入变量独立？
- 方法与思路
- 作者通过连接函数的几何性质分析遗漏变量偏误的方向，给出偏误大小的表达式，以模拟佐证，并扩展至遗漏变量相关的情形。
- 材料陈述的贡献
- 摘要称，某些模型即使在随机处理分配等独立情形下仍有遗漏变量偏误，其方向可由连接函数的几何性质解释。
- 阅读关注点
- 阅读全文时应核对偏误对应的参数和效应尺度、哪些连接函数适用，以及独立与相关遗漏变量情形的条件和偏误表达式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明完整模型条件与效应定义，不能直接把回归系数偏移解释为混杂偏误或随机化因果识别失效。
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.