Missing Data, Imputation, and the Bootstrap
缺失数据、插补与自助法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：摘要聚焦缺失数据下的通用精度评估与插补方法，未明确涉及所列因果、面板、分布效应或其他具体领域。
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
缺失数据、插补与自助法
- 研究问题
- 在部分变量缺失时，如何用非参数方法评估估计量的精度，并理解自助法与多重插补之间的关系？
- 方法与思路
- 作者讨论缺失数据情形下的自助法、与多重插补理论的联系，以及提高计算效率的实现方式，并考察置信区间。
- 材料陈述的贡献
- 摘要称，最简单形式的非参数自助置信区间能给出方便且准确的答案，并梳理其与多重插补的异同。
- 阅读关注点
- 应核对缺失机制、重抽样与插补的执行顺序、区间构造及准确性的评价依据，并查看计算简化的适用条件。
- 阅读边界
- 摘要未说明缺失机制、有效性条件及覆盖率结果，不能推广到所有缺失问题；OpenAlex 索引未注明稿件版本，无法判断刊本变化。
原文摘要
Missing data refers to a class of problems made difficult by the absence of some portions of a familiar data structure. For example, a regression problem might have some missing values in the predictor vectors. This article concerns nonparametric approaches to assessing the accuracy of an estimator in a missing data situation. Three main topics are discussed: bootstrap methods for missing data, these methods' relationship to the theory of multiple imputation, and computationally efficient ways of executing them. The simplest form of nonparametric bootstrap confidence interval turns out to give convenient and accurate answers. There are interesting practical and theoretical differences between bootstrap methods and the multiple imputation approach, as well as some useful similarities.