Missing Variables in Bayesian Regression, II
贝叶斯回归中的缺失变量（二）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：摘要涉及一般回归中的缺失观测处理，未明确对应面板、因果或其他所列细分方向。
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
贝叶斯回归中的缺失变量（二）
- 研究问题
- 在部分观测缺失的正态回归中，如何结合模糊先验与缺失分量的概率模型，对回归参数进行联合估计？
- 方法与思路
- 作者采用模糊先验，假定缺失分量服从均值可依赖其他变量的正态分布，并以联合后验众数构造参数估计。
- 材料陈述的贡献
- 摘要给出缺失观测下的贝叶斯联合估计思路，对完整观测的自变量不作分布假设，同时为缺失分量设定正态模型。
- 阅读关注点
- 应核对缺失机制如何处理、缺失分量均值的设定、模糊先验的形式，以及联合后验众数的存在性与计算方法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。摘要未说明缺失机制、后验适定性及估计性能，不能据此认定适用于任意缺失模式或推断刊本变化。
原文摘要
We are concerned with the problem of parameter estimation in normal regression when some of the observations are missing. A Bayesian approach with vague prior distributions is taken. No assumption is made about the independent variables for which no observations are missing, but the missing components are assumed to be normally distributed with a mean that can depend on the other variables. Joint estimators of the parameters are obtained as the joint mode of the posterior distribution.