Sample Correlation Coefficients Based on Survey Data Under Regression Imputation
回归插补下调查数据的样本相关系数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：摘要聚焦调查抽样中的缺失值插补、相关系数和方差估计，未提供归入所列经济计量领域细分的充分依据。
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
回归插补下调查数据的样本相关系数
- 研究问题
- 调查数据存在项目无回答时，常规回归插补为何不能保持相关系数的无偏性，以及如何同时估计相关系数和其方差？
- 方法与思路
- 作者提出联合回归插补，以兼顾边际总量、二阶矩及相关系数，并研究将插补步骤纳入计算的 jackknife 方差估计。
- 材料陈述的贡献
- 摘要称，联合插补保持所研究统计量的无偏性；模拟中相关系数近似无偏，并在某些相关系数范围内表现更稳定。
- 阅读关注点
- 应核对无回答机制、联合插补的具体构造、无偏与近似无偏的区别，以及稳定性优势对应的相关系数范围和模拟条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明无偏性条件、优势范围或方差估计表现，不能推广至任意缺失机制。
原文摘要
Regression imputation is commonly used to compensate for item nonresponse when auxiliary data are available. It is common practice to compute survey estimators by treating imputed values as observed data and using the standard unbiased (or nearly unbiased) estimation formulas designed for the case of no nonresponse. Although the commonly used regression imputation method preserves unbiasedness for population marginal totals (i.e., survey estimators computed from imputed data are still nearly unbiased), it does not preserve unbiasedness for population correlation coefficients. A joint regression imputation method is proposed that preserves unbiasedness for marginal totals, second moments, and correlation coefficients. Some simulation results show that the joint regression imputation method produces not only sample correlation coefficients that are nearly unbiased, but also estimates that are more stable than those produced by marginal nonrandom regression imputation when correlation coefficients are in a certain range. Variance estimation for sample correlation coefficients under joint regression imputation is also studied, using a jackknife method that takes imputation into account.