Maximum Likelihood Estimation and Model Selection in Contingency Tables with Missing Data
含缺失数据列联表的最大似然估计与模型选择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：摘要研究列联表对数线性模型，未涉及离散选择行为或其他所列细分方向的直接内容。
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
含缺失数据列联表的最大似然估计与模型选择
- 研究问题
- 当样本中部分变量缺失时，如何估计列联表对数线性模型的参数，并开展拟合检验和相应的模型选择？
- 方法与思路
- 作者给出最大似然估计的方程组，将 EM 算法作为一种求解途径，讨论拟合检验，并以老年人保护服务项目数据说明。
- 材料陈述的贡献
- 摘要称提供不完整列联表的估计与拟合检验处理方案，同时指出 EM 虽有优势，其他算法在计算上可能更有效。
- 阅读关注点
- 应核对缺失机制的假设、观测数据似然与可识别性、拟合检验的参考分布，以及不同求解方法的计算比较依据。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明缺失机制、模型选择细节或算法比较结果。
原文摘要
In many studies the values of one or more variables are missing for subsets of the original sample. This article focuses on the problem of obtaining maximum likelihood estimates (MLE) for the parameters of log-linear models under this type of incomplete data. The appropriate systems of equations are presented and the expectation-maximization (EM) algorithm (Dempster, Laird, and Rubin 1977) is suggested as one of the possible methods for solving them. The algorithm has certain advantages but other alternatives may be computationally more effective. Tests of fit for log-linear models in the presence of incomplete data are considered. The data from the Protective Services Project for Older Persons (Blenkner, Bloom, and Nielsen 1971; Blenkner, Bloom, and Weber 1974) are used to illustrate the procedures discussed in the article.