Missing-Data Methods for Generalized Linear Models
广义线性模型的缺失数据方法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 GLM 缺失协变量处理，未明确涉及因果、离散选择等所列细分方向。
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…
广义线性模型的缺失数据方法
- 研究问题
- 广义线性模型的协变量存在随机缺失或不可忽略缺失时，四种常见推断方法如何关联，其性质与计算取舍有哪些差异？
- 方法与思路
- 作者综述最大似然、多重插补、全贝叶斯及加权估计方程方法，讨论相关计算实现，并以真实数据和详细模拟比较。
- 材料陈述的贡献
- 摘要所述贡献是系统讨论四种缺失协变量处理方法的联系、性质、优缺点与计算，并提供应用和模拟比较框架。
- 阅读关注点
- 应核对各方法需要的缺失机制与模型设定、EM 和插补的实施细节，以及模拟是否分别评估随机缺失与不可忽略缺失。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供真实数据细节、模拟参数或比较结果，不能判断哪种方法在具体问题中更优。
原文摘要
Missing data is a major issue in many applied problems, especially in the biomedical sciences. We review four common approaches for inference in generalized linear models (GLMs) with missing covariate data: maximum likelihood (ML), multiple imputation (MI), fully Bayesian (FB), and weighted estimating equations (WEEs). There is considerable interest in how these four methodologies are related, the properties of each approach, the advantages and disadvantages of each methodology, and computational implementation. We examine data that are missing at random and nonignorable missing. For ML, we focus on techniques using the EM algorithm, and in particular, discuss the EM by the method of weights and related procedures as discussed by Ibrahim. For MI, we examine the techniques developed by Rubin. For FB, we review approaches considered by Ibrahim et al. For WEE, we focus on the techniques developed by Robins et al. We use a real dataset and a detailed simulation study to compare the four methods.