Semiparametric Fractional Imputation Using Gaussian Mixture Models for Handling Multivariate Missing Data
基于高斯混合模型的多变量缺失数据半参数分数插补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：摘要讨论一般多变量缺失数据与插补理论，未提供因果、面板或其他所列细分问题的明确研究依据。
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
基于高斯混合模型的多变量缺失数据半参数分数插补
- 研究问题
- 处理多变量项目无回答时，如何减轻参数插补模型错设带来的偏差，同时保持计算效率并利用类别辅助信息？
- 方法与思路
- 作者利用高斯混合模型构造半参数分数插补方法，扩展以纳入类别辅助信息，并分析一致性及模拟中的有限样本表现。
- 材料陈述的贡献
- 摘要称该方法计算高效、估计稳健，并建立模型一致性及估计量的一致性结果；所写收敛速率符号需要核对原文。
- 阅读关注点
- 应核对缺失机制假设、混合模型复杂度及插补权重构造，明确稳健性的范围，并查阅一致性结论中的准确速率符号。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；缺失机制和稳健性条件未说明，不能自行重构收敛速率。
原文摘要
Item nonresponse is frequently encountered in practice. Ignoring missing data can lose efficiency and lead to misleading inference. Fractional imputation is a frequentist approach of imputation for handling missing data. However, the parametric fractional imputation may be subject to bias under model misspecification. In this article, we propose a novel semiparametric fractional imputation (SFI) method using Gaussian mixture models. The proposed method is computationally efficient and leads to robust estimation. The proposed method is further extended to incorporate the categorical auxiliary information. The asymptotic model consistency and n-consistency of the SFI estimator are also established. Some simulation studies are presented to check the finite sample performance of the proposed method. Supplementary materials for this article are available online.