Local linear regression for generalized linear models with missing data
缺失数据下广义线性模型的局部线性回归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：摘要研究缺失协变量下的非参数均值回归，未提出因果目标或其他所列细分领域的明确研究问题。
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…
缺失数据下广义线性模型的局部线性回归
- 研究问题
- 协变量随机缺失时，如何用逆选择概率权重估计广义线性模型的均值函数，估计权重又如何影响偏差与渐近方差？
- 方法与思路
- 作者将逆选择概率权重用于局部核回归，推导非参数估计选择概率时的分布理论与二阶方差，并推广至局部估计方程。
- 材料陈述的贡献
- 摘要称估计权重与已知权重的一阶渐近方差相同，但偏差通常不同；二阶方差分析用于解释其与参数问题结果的差异。
- 阅读关注点
- 应核对随机缺失假设、选择概率估计和平滑参数条件，区分一阶与二阶方差结论，并查看病例对照应用的实施方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体正则条件及模拟数值未说明，权重方法的出现不能支持因果效应解释。
原文摘要
Fan, Heckman and Wand proposed locally weighted kernel polynomial regression methods for generalized linear models and quasilikelihood functions. When the covariate variables are missing at random, we propose a weighted estimator based on the inverse selection probability weights. Distribution theory is derived when the selection probabilities are estimated nonparametrically. We show that the asymptotic variance of the resulting nonparametric estimator of the mean function in the main regression model is the same as that when the selection probabilities are known, while the biases are generally different. This is different from results in parametric problems, where it is known that estimating weights actually decreases asymptotic variance. To reconcile the difference between the parametric and nonparametric problems, we obtain a second-order variance result for the nonparametric case. We generalize this result to local estimating equations. Finite-sample performance is examined via simulation studies. The proposed method is demonstrated via an analysis of data from a case-control study.