A Wavelet- or Lifting-Scheme-Based Imputation Method
基于小波或提升格式的缺失值插补方法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：摘要讨论通用空间插补和贝叶斯平滑，未明确涉及所列经济计量细分方向。
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
基于小波或提升格式的缺失值插补方法
- 研究问题
- 如何利用曲面在小波或提升格式基底下的稀疏表示，从邻近观测借用信息，完成一维和二维位置上的缺失值插补？
- 方法与思路
- 作者为小波系数设置贝叶斯混合先验，并通过 Gibbs 抽样生成目标变量的后验分布，以此插补未观测位置。
- 材料陈述的贡献
- 摘要称方法在一维和二维插补问题中表现良好，并与克里金及薄板样条进行比较，但未提供具体误差或优势幅度。
- 阅读关注点
- 应核对稀疏先验、基底和边界处理方式，检查缺失机制、后验计算收敛，以及比较方法的调参与评价标准。
- 阅读边界
- 仅依据所给 Crossref 摘要；缺失机制、采样条件与不确定性校准未说明，不能认定方法适用于任意缺失模式。
原文摘要
Summary The paper proposes a new approach to imputation using the expected sparse representation of a surface in a wavelet or lifting scheme basis. Our method incorporates a Bayesian mixture prior for these wavelet coefficients into a Gibbs sampler to generate a complete posterior distribution for the variable of interest. Intuitively, the estimator operates by borrowing strength from those observed neighbouring values to impute at the unobserved sites. We demonstrate the strong performance of our estimator in both one- and two-dimensional imputation problems where we also compare its application with the standard imputation techniques of kriging and thin plate splines.