Diagnostic Plots for Missing Data in Least Squares Regression
最小二乘回归中缺失数据的诊断图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：摘要研究一般回归缺失数据的敏感性诊断，未涉及因果目标或所列其他细分方向。
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…
关注这篇论文的作者
最小二乘回归中缺失数据的诊断图
- 研究问题
- 当回归解释变量存在缺失且不愿假定随机缺失时，缺失值可能在多大程度上改变系数估计与对应的检验统计量？
- 方法与思路
- 作者约束缺失数据与已观测数据之间的关系，推导单个解释变量缺失时的系数及相关统计量界限，并绘制诊断图。
- 材料陈述的贡献
- 摘要称，改变约束值可形成缺失影响的诊断图，并以模拟和两个真实数据集说明用途，也讨论多个变量缺失。
- 阅读关注点
- 应核对约束的含义及可解释性、界限如何计算，以及多个解释变量缺失时是否仍有可实施的诊断方法。
- 阅读边界
- 所据为稿件版本未注明的索引摘要，不能推断刊本变化。不假定随机缺失仍需关系约束，摘要未说明其形式。
原文摘要
The usual approach to handling missing data in a regression is to assume that the points are missing at random (MAR) and use either a fill-in method to replace the missing points or a method using maximally available pairs in the sample covariance matrix. We derive limits for the values of the least squares estimates of the coefficients (and their associated t statistics) when there are missing observations in one carrier. These limits are derived subject to a constraint on the relationship of the missing data to the present data. Calculating these limits while varying this constrained value results in a series of diagnostic plots that can be used to study the potential effect of the missing points on the regression (without assuming that the points are MAR). Simulations are performed to illustrate the use of the plots, and two real data sets are analyzed. The more general case of missing data in more than one carrier is also discussed.