A Note on the Asymptotic Aspect of the Treatment of Missing Values in Discriminant Analysis
判别分析中缺失值处理的渐近性质札记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：摘要研究一般判别分类中的缺失数据处理，不涉及分位数效应、经济离散选择或其他所列细分。
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
判别分析中缺失值处理的渐近性质札记
- 研究问题
- 在变量具有相同相关系数时，五种判别分析缺失值处理方法的渐近正确分类概率有何差异，比较渐近偏差是否实用？
- 方法与思路
- 这篇札记承接作者此前的小样本研究，在等相关变量设定下分析五种方法的渐近行为，并比较其正确分类概率。
- 材料陈述的贡献
- 摘要称使用完整观测向量或全部样本值的方法达到最大正确分类概率，其余方法的差距较小，因此强调小样本研究。
- 阅读关注点
- 核对五种方法的具体定义、缺失机制与等相关设定，以及最大正确分类概率的参照标准和渐近差距的度量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，本文为后续札记；摘要未说明缺失机制或差距数值，不能据此判断一般小样本表现。
原文摘要
In an earlier article the authors studied five methods of handling missing values in discriminant analysis for small samples; this note points out the asymptotic behavior of these methods when the variables are equally correlated. The methods using either complete observation vectors or all sample values always attain the maximum probability of correct classification. Differences of the asymptotic probability of correct classification from its maximum are found to be small for all methods. Hence, comparison of the asymptotic bias seems to be of little practical importance and missing values in discriminant analysis must be studied for small samples.