Multiple Imputation for M -Regression With Censored Covariates
协变量受删失时 M 回归的多重插补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：条件分位数在摘要中服务于协变量插补，研究目标并非结果分位数或分布效应。
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
协变量受删失时 M 回归的多重插补
- 研究问题
- 当解释变量受到删失时，如何在不指定严格参数分布的情况下利用不完整观测，估计 M 回归参数并提高信息利用率？
- 方法与思路
- 作者拟合删失分位数回归过程，估计给定观测数据的协变量条件分位数，再据此多重插补并构造回归估计量。
- 材料陈述的贡献
- 摘要称估计量具有一致性与渐近正态性，利用协变量受删失的样本提高效率，并以模拟和健康调查数据展示方法。
- 阅读关注点
- 应核对删失机制、条件分位数过程的估计条件、插补不确定性的处理，以及一致性和效率改进成立的具体范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出删失机制与理论条件，减少参数分布要求不意味着适用于任意删失。
原文摘要
We develop a new multiple imputation approach for M-regression models with censored covariates. Instead of specifying parametric likelihoods, our method imputes the censored covariates by their conditional quantiles given the observed data, where the conditional quantiles are estimated through fitting a censored quantile regression process. The resulting estimator is shown to be consistent and asymptotically normal, and it improves the estimation efficiency by using information from cases with censored covariates. Compared with existing methods, the proposed method is more flexible as it does not require stringent parametric assumptions on the distributions of either the regression errors or the covariates. The finite sample performance of the proposed method is assessed through a simulation study and the analysis of a c-reactive protein dataset in the 2007–2008 National Health and Nutrition Examination Survey. This article has supplementary material online.