A note on reducing the bias of the approximate Bayesian bootstrap imputation variance estimator
降低近似贝叶斯 bootstrap 插补方差估计偏差的一则札记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：摘要研究缺失数据多重插补的方差校正，未涉及处理效应识别或其他所列细分方向。
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…
降低近似贝叶斯 bootstrap 插补方差估计偏差的一则札记
- 研究问题
- 在缺失数据可忽略且采用近似贝叶斯 bootstrap 多重插补时，如何降低中等样本量下标准插补方差估计的偏差？
- 方法与思路
- 作者提出在标准多重插补方差估计上直接应用简单校正因子，作为修改两阶段重抽样第一阶段样本数的替代方案。
- 材料陈述的贡献
- 摘要称，所提校正能够降低方差估计偏差，并比此前修改第一阶段样本数的方法更易实现且更有效率。
- 阅读关注点
- 应核对校正因子的具体形式与推导、适用缺失及插补条件，并查看偏差减少和效率比较采用的指标与样本设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，校正公式、偏差阶数和效率定义未提供；不能据此认定校正完全消除偏差或适用于不可忽略缺失。
原文摘要
Rubin & Schenker (1986) proposed the approximate Bayesian bootstrap, a two-stage resampling procedure, as a method of creating multiple imputations when missing data are ignorable. Kim (2002) showed that the multiple imputation variance estimator is biased for moderate sample sizes when this method is used. To reduce the bias, Kim (2002) proposed modifying the number of samples drawn at the first stage of the Bayesian bootstrap procedure. In this note, we suggest an alternative method for reducing the bias via a simple correction factor applied to the standard multiple imputation variance estimate. The proposed correction is more easily implemented and more efficient than the procedure proposed by Kim (2002).