General and feasible tests with multiply-imputed datasets
多重插补数据集的一般且可实施检验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：摘要讨论通用缺失数据检验，未指定因果、面板或其他所列经济计量模型。
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
多重插补数据集的一般且可实施检验
- 研究问题
- 多重插补数据的检验如何摆脱等缺失信息比率或无限插补次数要求，并统一支持 Wald、似然比和得分检验？
- 方法与思路
- 作者提出堆叠多重插补程序，以统一算法组织三类检验，使分析者可使用相应的完整数据检验工具。
- 材料陈述的贡献
- 摘要称，该程序无需等缺失信息比率假设或无限次插补，并将 Rao 得分检验纳入统一、便于实施的框架。
- 阅读关注点
- 应核对堆叠方式、检验统计量与参考分布，以及有限插补次数下的有效性条件和对插补模型的要求。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；解除两项既有要求不等于允许任意缺失机制，其他有效性条件未说明。
原文摘要
Multiple imputation (MI) is a technique especially designed for handling missing data in public-use datasets. It allows analysts to perform incomplete-data inference straightforwardly by using several already imputed datasets released by the dataset owners. However, the existing MI tests require either a restrictive assumption on the missing-data mechanism, known as equal odds of missing information (EOMI), or an infinite number of imputations. Some of them also require analysts to have access to restrictive or nonstandard computer subroutines. Besides, the existing MI testing procedures cover only Wald’s tests and likelihood ratio tests but not Rao’s score tests, therefore, these MI testing procedures are not general enough. In addition, the MI Wald’s tests and MI likelihood ratio tests are not procedurally identical, so analysts need to resort to distinct algorithms for implementation. In this paper, we propose a general MI procedure, called stacked multiple imputation (SMI), for performing Wald’s tests, likelihood ratio tests and Rao’s score tests by a unified algorithm. SMI requires neither EOMI nor an infinite number of imputations. It is particularly feasible for analysts as they just need to use a complete-data testing device for performing the corresponding incomplete-data test.