Regression with imputed covariates: A generalized missing-indicator approach
含插补协变量的回归：广义缺失指标方法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：摘要主要讨论一般回归中的缺失协变量与插补，未提供所列领域细分的直接研究依据。
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…
含插补协变量的回归：广义缺失指标方法
- 研究问题
- 协变量缺失但已有插补值时，如何处理完整样本较少与使用插补值可能引入偏差之间的权衡，并改善回归分析？
- 方法与思路
- 作者在回归中加入一组辅助变量，在关于插补的弱假设下恢复完整案例分析的目标估计，再用模型缩减或平均处理偏差与精度。
- 材料陈述的贡献
- 摘要称，增广回归可获得与完整案例分析相同的无偏参数估计，并以收入和身体质量指数的调查数据展示该框架。
- 阅读关注点
- 应核对辅助变量的构造、插补假设及完整案例估计无偏的条件，并区分增广模型与缩减、平均后估计的性质。
- 阅读边界
- 仅据所给出版社摘要，无法判断方法适用的缺失机制、插补方式和实际精度收益；收入与身体质量指数的关系未被说明为因果效应。
原文摘要
A common problem in applied regression analysis is that covariate values may be missing for some observations but imputed values may be available. This situation generates a trade-off between bias and precision: the complete cases are often disarmingly few, but replacing the missing observations with the imputed values to gain precision may lead to bias. In this paper, we formalize this trade-off by showing that one can augment the regression model with a set of auxiliary variables so as to obtain, under weak assumptions about the imputations, the same unbiased estimator of the parameters of interest as complete-case analysis. Given this augmented model, the bias-precision trade-off may then be tackled by either model reduction procedures or model averaging methods. We illustrate our approach by considering the problem of estimating the relation between income and the body mass index (BMI) using survey data affected by item non-response, where the missing values on the main covariates are filled in by imputations.