Covariate Measurement Error in Generalized Linear Models
广义线性模型中的协变量测量误差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：摘要讨论通用广义线性模型的测量误差估计，未提供对应所列经济学细分方向的充分依据。
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
广义线性模型中的协变量测量误差
- 研究问题
- 当正态协变量被正态测量误差掩盖时，如何估计采用典范连接函数的广义线性模型回归系数，并降低计算负担？
- 方法与思路
- 作者将真实协变量视为缺失数据，用EM算法近似计算条件一、二阶矩，再通过迭代加权最小二乘更新回归参数。
- 材料陈述的贡献
- 摘要称，该近似程序与高斯求积得到的精确最大似然解及简单逻辑回归的替代估计量进行了数值比较，结果令人鼓舞。
- 阅读关注点
- 应核对测量误差与协变量的联合分布设定、条件矩近似方法、EM收敛要求，以及数值比较中的误差水平和评价指标。
- 阅读边界
- 仅依据稿件版本未注明的OpenAlex索引摘要；误差独立性、近似精度和具体比较结果未说明，不能据此断言普遍有效。
原文摘要
The EM algorithm is used to obtain estimators of regression coefficients for generalized linear models with canonical link when normally distributed covariates are masked by normally distributed measurement errors. By casting the true covariates as ‘missing data’, the EM procedure suggests an iterative scheme in which each cycle consists of an E-step, requiring the computation of approximate first and second conditional moments of the true covariates given the observed data, followed by an M-step in which regression parameters are updated by iteratively reweighted least squares based on these approxima tions. The proposed procedure is compared numerically with the exact maximum likeli hood solution, obtained by using Gaussian quadrature instead of the approximations in the E-step of the EM algorithm, and with alternative estimators for simple logistic regression with measurement error. The results for the proposed procedure are encouraging.