Imputing Missing Covariate Values in Nonlinear Models
非线性模型中缺失协变量的插补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：摘要属于通用非线性M估计与缺失数据方法，未明确对应所给领域细分。
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
非线性模型中缺失协变量的插补
- 研究问题
- 在非线性模型中，如何利用协变量缺失的观测改善完整案例估计的效率，同时避免常用插补方法的不一致问题？
- 方法与思路
- 作者提出适用于M估计的插补估计量，并构造简单的变量添加检验来检验缺失机制假设，展示分数及非负响应模型应用。
- 材料陈述的贡献
- 摘要称在所需缺失假设下新估计量一致且较完整案例有效率增益，并指出虚拟变量法和回归插补一般不适用于非线性模型。
- 阅读关注点
- 应核对缺失机制的具体条件、插补量构造、效率比较的适用范围，以及变量添加检验能检测哪些偏离和哪些不能检测。
- 阅读边界
- 仅据所给Crossref版本摘要；常用缺失假设未具体列出，不能理解为任意缺失机制下均一致，也不能推断刊本变化。
原文摘要
ABSTRACT I propose a new imputation estimator for missing covariate values in nonlinear models. The estimator provides efficiency gains relative to just using the complete cases, and is consistent for any model that falls under M‐estimation. This is unlike the commonly used dummy variable method and regression imputation, which I show to be generally inconsistent in nonlinear models. The proposed estimator is straightforward to implement, and relies only on the commonly used assumptions on missingness. To test these assumptions, I provide a novel and simple variable addition test. I show how the framework applies to nonlinear models for fractional and nonnegative responses.