Missing Values in Multivariate Analysis
多元分析中的缺失值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：摘要涉及一般多元缺失数据与回归标准误，没有明确的面板、因果或其他所列细分框架。
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
多元分析中的缺失值
- 研究问题
- 多元观测存在缺失值时，如何计算参数估计，并为不完整数据得到的回归系数赋予近似标准误，以支持统计推断？
- 方法与思路
- 作者比较若干计算方法，推荐 Orchard–Woodbury 算法，将其推导为 Buck 方法的迭代形式，并构造回归系数标准误近似。
- 材料陈述的贡献
- 摘要称，推荐算法在多元正态总体下产生最大似然估计，并给出不依赖正态假设的推导、模拟支持及学校考试数据应用。
- 阅读关注点
- 应核对缺失机制和可识别性、迭代算法的收敛，以及非正态推导究竟保证什么；重点检查标准误近似是否计入缺失不确定性。
- 阅读边界
- 依据所给 Crossref 摘要；缺失机制及非正态下的统计性质未说明，不依赖正态的算法推导并不自动保证最大似然或有效推断。
原文摘要
Summary This paper presents computational results for some alternative methods of analysing multivariate data with missing values. We recommend an algorithm due to Orchard and Woodbury (1972), which gives an estimator that is maximum likelihood when the data come from a multivariate normal population. We include a derivation of the estimator that does not assume a multivariate normal population, as an iterated form of Buck's (1960) method. We derive an approximate method of assigning standard errors to regression coefficients estimated from incomplete observations, and quote supporting evidence from simulation studies. A brief account is given of the application of these methods to some school examinations data.