Regression with Missing X 's: A Review
自变量缺失的回归分析：综述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：摘要综述通用缺失协变量回归，未明确涉及所列因果、面板或结构方向。
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
自变量缺失的回归分析：综述
- 研究问题
- 回归自变量缺失时，不同处理程序如何比较，尤其在缺失并非完全随机时，只利用自变量与同时利用响应变量的方法有何差别？
- 方法与思路
- 作者综述完整个案、可用个案、插补后最小二乘、最大似然、贝叶斯及多重插补六类方法，并以单一自变量缺失为主要比较情形。
- 材料陈述的贡献
- 摘要倾向于同时使用自变量与响应信息的似然方法，指出其可扩展基本正态线性回归，并讨论贝叶斯模拟、多重插补及软件需求。
- 阅读关注点
- 应核对各方法所需的缺失机制与模型假设、非完全随机缺失下的表现，以及单一自变量缺失的结论如何扩展到更复杂模式。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。这是一篇综述；摘要未给出各方法的具体条件，不能将作者的偏好解释为任意缺失机制下均适用。
原文摘要
The literature of regression analysis with missing values of the independent variables is reviewed. Six classes of procedures are distinguished: complete case analysis, available case methods, least squares on imputed data, maximum likelihood, Bayesian methods, and multiple imputation. Methods are compared and illustrated when missing data are confined to one independent variable, and extensions to more general patterns are indicated. Attention is paid to the performance of methods when the missing data are not missing completely at random. Least squares methods that fill in missing X's using only data on the X's are contrasted with likelihood-based methods that use data on the X's and Y. The latter approach is preferred and provides methods for elaboration of the basic normal linear regression model. It is suggested that more widely distributed software is needed that advances beyond complete-case analysis, available-case analysis, and naive imputation methods. Bayesian simulation methods and multiple imputation are reviewed; these provide fruitful avenues for future research.