Re-Weighted Least Squares Estimation with Censored and Grouped Data: An Application of the EM Algorithm
删失与分组数据的再加权最小二乘估计：EM 算法应用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：摘要讨论一般删失回归及计算方法，未明确涉及所列结构估计、面板或其他经济计量细分。
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
删失与分组数据的再加权最小二乘估计：EM 算法应用
- 研究问题
- 如何将加权最小二乘估计扩展到删失或分组数据，并在误差服从正态尺度混合分布的线性模型中进行计算与信息评估？
- 方法与思路
- 作者在正态尺度混合误差的线性模型中实施 EM 算法，针对偶数自由度 Student t 误差给出显式结果并推导观测信息。
- 材料陈述的贡献
- 摘要称，方法适用于删失和分组数据，关联两类数据的观测信息结果，并给出经验性异常值规则及小型电动机寿命实例。
- 阅读关注点
- 应核对删失与分组的观测机制、EM 更新和权重计算、观测信息推导，以及异常值规则的依据和算法收敛行为。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断删失机制所需条件、算法收敛保证或异常值规则的误判率；实例结果未提供。
原文摘要
SUMMARY We consider the problem of adapting weighted least squares estimation so that estimates can be found with censored or grouped data. The EM algorithm is implemented for the linear model where the errors are assumed to be generated by a scale mixture of normal distributions. In particular, explicit results are given for the case where the marginal distribution of the error is Student-t with an even number of degrees of freedom. Expressions for the observed information are found, relating grouped data results to those for right censored data. Some ad hoc rules for the identification of outliers are given. An example involving the lifetimes of motorettes is considered.