Semiparametric Methods for Response-Selective and Missing Data Problems in Regression
回归中响应选择与缺失数据问题的半参数方法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：摘要研究响应选择和缺失数据下的回归估计，未定义因果效应或其他所列细分方向的研究对象。
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…
回归中响应选择与缺失数据问题的半参数方法
- 研究问题
- 当完整观测概率依赖响应、部分协变量仅在子样本中可见，且不愿建模协变量分布时，如何有效估计回归参数？
- 方法与思路
- 作者推导并比较半参数似然与伪似然方法，假设缺失概率仅取决于有限分层，且每个单位的所属分层均可观测。
- 材料陈述的贡献
- 摘要称这些方法使完全有效的参数估计成为可行，并统一和推广若干特定问题的方法，应用涵盖病例对照、缺失与测量误差问题。
- 阅读关注点
- 应核对有限分层及全体分层可观测假设如何支撑估计、似然与伪似然的区别，以及效率结论所对应的模型和计算程序。
- 阅读边界
- 仅据 Crossref 摘要；效率的具体条件与计算细节未说明，不能将结论扩展至任意缺失机制，也不能推断其他版本变化。
原文摘要
Summary Suppose that data are generated according to the model f(y|x; θ) g(x), where y is a response and x are covariates. We derive and compare semiparametric likelihood and pseudolikelihood methods for estimating θ for situations in which units generated are not fully observed and in which it is impossible or undesirable to model the covariate distribution. The probability that a unit is fully observed may depend on y, and there may be a subset of covariates which is observed only for a subsample of individuals. Our key assumptions are that the probability that a unit has missing data depends only on which of a finite number of strata that (y, x) belongs to and that the stratum membership is observed for every unit. Applications include case–control studies in epidemiology, field reliability studies and broad classes of missing data and measurement error problems. Our results make fully efficient estimation of θ feasible, and they generalize and provide insight into a variety of methods that have been proposed for specific problems.