The transfer principle: A tool for complete case analysis
转移原理：完整案例分析的工具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：摘要研究缺失数据与一般部分线性回归推断，未明确涉及因果、面板等所列细分方向。
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…
转移原理：完整案例分析的工具
- 研究问题
- 如何把完整数据统计量的极限分布结果转用于缺失数据的完整案例统计量，并在部分线性回归中开展有效推断？
- 方法与思路
- 作者提出一般转移方法，并在响应随机缺失的部分线性模型中，考察斜率估计、误差正态性检验和线性检验。
- 材料陈述的贡献
- 摘要称，相关完整案例斜率估计仍具渐近效率，并给出两类渐近分布无关检验，其中线性检验也适用于完整数据。
- 阅读关注点
- 应核对转移原理的适用条件、随机缺失机制与效率界的定义，以及非参数部分为常数这一线性原假设的具体含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一般原理的条件未给出，效率结论不能外推为任意缺失机制下完整案例分析均有效。
原文摘要
This paper gives a general method for deriving limiting distributions of complete case statistics for missing data models from corresponding results for the model where all data are observed. This provides a convenient tool for obtaining the asymptotic behavior of complete case versions of established full data methods without lengthy proofs. The methodology is illustrated by analyzing three inference procedures for partially linear regression models with responses missing at random. We first show that complete case versions of asymptotically efficient estimators of the slope parameter for the full model are efficient, thereby solving the problem of constructing efficient estimators of the slope parameter for this model. Second, we derive an asymptotically distribution free test for fitting a normal distribution to the errors. Finally, we obtain an asymptotically distribution free test for linearity, that is, for testing that the nonparametric component of these models is a constant. This test is new both when data are fully observed and when data are missing at random.