Regression Analysis Under Non-standard Situations: A Pairwise Pseudolikelihood Approach
非标准情形下的回归分析：成对伪似然方法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：摘要研究选择影响下的一般回归参数估计，未明确提出因果识别目标或其他给定细分领域的问题。
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
非标准情形下的回归分析：成对伪似然方法
- 研究问题
- 在不可忽略缺失、按响应值抽样或发表选择影响数据时，能否在不指定相关选择概率机制的情况下估计回归参数？
- 方法与思路
- 作者基于 Kalbfleisch 的思路构造题名所称的成对伪似然估计，并通过渐近效率计算和模拟与两类已有方法比较。
- 材料陈述的贡献
- 摘要称该估计程序无需指定缺失、抽样或发表概率机制，并开展了与条件似然及加权估计函数方法的效率比较。
- 阅读关注点
- 应核对无需指定机制所依赖的模型结构、参数可识别范围，以及效率比较中各方法使用的信息与成立条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将无需指定机制理解为任意选择机制下均可识别；摘要未说明比较结果或适用限制。
原文摘要
Summary Regression analysis is one of the most used statistical methods for data analysis. There are, however, many situations in which one cannot base inference solely on f(y∣x; β), the conditional probability (density) function for the response variable Y, given x, the covariates. Examples include missing data where the missingness is non-ignorable, sampling surveys in which subjects are selected on the basis of the Y-values and meta-analysis where published studies are subject to ‘selection bias’. The conventional approaches require the correct specification of the missingness mechanism, sampling probability and probability for being published respectively. In this paper, we propose an alternative estimating procedure for β based on an idea originated by Kalbfleisch. The novelty of this method is that no assumption on the missingness probability mechanisms etc. mentioned above is required to be specified. Asymptotic efficiency calculations and simulation studies were conducted to compare the method proposed with the two existing methods: the conditional likelihood and the weighted estimating function approaches.