Small-Sample Properties of Estimators of Regression Coefficients Given a Common Pattern of Missing Data
一种常见缺失数据模式下回归系数估计量的小样本性质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：摘要研究通用回归中的缺失数据与小样本理论，没有明确对应所列专门领域。
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
一种常见缺失数据模式下回归系数估计量的小样本性质
- 研究问题
- 针对一种常见的数据缺失模式，能否构造具有良好小样本性质的回归系数估计量，并改善相对既有估计量的效率？
- 方法与思路
- 作者以非似然方法推导回归系数估计量，在正态性假设下分析无偏性和精确小样本方差，并与其他估计量比较。
- 材料陈述的贡献
- 摘要称获得无偏估计量及精确方差公式，并说明在所研究的小样本情形中，其效率可能高于最大似然估计量。
- 阅读关注点
- 应核对具体缺失模式、缺失机制与正态性假设，以及同最小二乘和最大似然比较时的参数范围与效率衡量标准。
- 阅读边界
- 摘要未交代缺失机制及效率优势成立的具体条件；不能将其推广至任意缺失数据、非正态误差或所有样本规模。
原文摘要
For a commonly occurring pattern of missing data, estimators of regression coefficients are derived by a non-likelihood method. The small-sample properties are investigated for the case of normality assumptions. The estimators are shown to be unbiased, exact small-sample variance formulae are derived, comparisons are made with ordinary least-squares estimators and it is demonstrated that the estimators can be more efficient than maximum-likelihood estimators in small samples.