Parametric fractional imputation for missing data analysis
缺失数据分析的参数分数插补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：摘要提出通用缺失数据插补方法，未限定为面板、因果推断或其他所列细分场景。
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
缺失数据分析的参数分数插补
- 研究问题
- 如何通过对插补值赋予分数权重近似观测数据似然，并在缺失数据分析中兼顾模型参数估计、计算效率与方差估计？
- 方法与思路
- 作者以插补数据似然的加权平均近似观测似然，结合重要性抽样和校准加权提高计算效率，并讨论方差估计。
- 材料陈述的贡献
- 摘要称方法对插补模型内参数提供有效率的估计，对模型外参数也提供合理估计，并报告有限范围的模拟研究。
- 阅读关注点
- 应核对缺失机制、插补模型与权重构造条件，以及效率的比较基准、模型外参数的含义和方差估计的有效性。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明缺失机制、效率条件或模拟数值，“合理估计”不代表普遍稳健。
原文摘要
Parametric fractional imputation is proposed as a general tool for missing data analysis. Using fractional weights, the observed likelihood can be approximated by the weighted mean of the imputed data likelihood. Computational efficiency can be achieved using the idea of importance sampling and calibration weighting. The proposed imputation method provides efficient parameter estimates for the model parameters specified in the imputation model and also provides reasonable estimates for parameters that are not part of the imputation model. Variance estimation is discussed and results from a limited simulation study are presented.