Ignorability for categorical data
分类数据中的可忽略性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：摘要讨论缺失与粗化机制下的似然理论，未明确涉及因果效应或离散选择模型。
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
分类数据中的可忽略性
- 研究问题
- 对不完整分类数据进行似然推断时，何时可以忽略粗化机制，随机粗化假设与参数可分离性又如何相容？
- 方法与思路
- 作者区分两种随机粗化假设，分析其与参数可分离性的相容关系，并分别讨论饱和模型与参数模型。
- 材料陈述的贡献
- 摘要称建立了若干无需额外参数可分离性假设的可忽略条件，并指出参数模型中的随机粗化可能与观测数据不相容。
- 阅读关注点
- 应核对两种随机粗化的定义、可忽略性的推断含义，以及模型限制如何使粗化假设受到观测数据约束。
- 阅读边界
- 索引摘要未注明版本，也未列出具体条件或不相容的例子；此处可忽略性不能直接等同于因果识别假设。
原文摘要
We study the problem of ignorability in likelihood-based inference from incomplete categorical data. Two versions of the coarsened at random assumption (car) are distinguished, their compatibility with the parameter distinctness assumption is investigated and several conditions for ignorability that do not require an extra parameter distinctness assumption are established. It is shown that car assumptions have quite different implications depending on whether the underlying complete-data model is saturated or parametric. In the latter case, car assumptions can become inconsistent with observed data.