Missing Observations in Multivariate Statistics II. Point Estimation in Simple Linear Regression
多元统计中的缺失观测（二）：简单线性回归的点估计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：摘要涉及一般简单线性回归的缺失观测估计，未提供因果识别、面板或其他细分方向的明确依据。
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
多元统计中的缺失观测（二）：简单线性回归的点估计
- 研究问题
- 当因变量或解释变量存在缺失观测时，简单线性回归函数的几种估计方法相对最小二乘具有怎样的效率？
- 方法与思路
- 作者定义并评价零阶、修正零阶及混合估计量，以期望均方误差之比衡量相对于最小二乘估计的效率。
- 材料陈述的贡献
- 摘要称，文章比较这些简单估计量，并提供说明性表格支持方法选择；摘要未说明具体哪种方法更优。
- 阅读关注点
- 应核对各估计量如何利用不完整观测、缺失过程的假设，以及效率比较随样本结构和参数取值如何变化。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；缺失机制与表格结果未给出，不能据此推荐某一估计量。
原文摘要
We define and evaluate some simple estimators of the linear regression function of y and x, when observations may be missing on y or x. In particular, we compare the zero order estimator, a modified zero order estimator, and mixed estimators relative to the least squares estimator using the ratio of expected mean square errors as our measure of efficiency. Illustrative tables are given to support our conclusions regarding the estimator of choice.