Inference with Imputed Data: The Allure of Making Stuff Up
使用插补数据推断：编造数值的诱惑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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用缺失数据识别与推断，未限定为所列因果、面板或金融方向。
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…
关注这篇论文的作者
使用插补数据推断：编造数值的诱惑
- 研究问题
- 数据不可完全观测时，哪些可信假设决定总体参数可识别的范围，随机多重插补能否成为不同实证场景的通用解决方案？
- 方法与思路
- 作者审视随机多重插补论证中贝叶斯与频率学派思想的结合，并针对学习条件期望时缺失结局或协变量的插补进行评价。
- 材料陈述的贡献
- 摘要强调缺失数据首先构成识别问题，提出对随机插补的批判性评估，并讨论减少对简单插补修复过度依赖的措施。
- 阅读关注点
- 核对批评针对的插补程序与推断目标，区分识别假设、插补模型和不确定性计算，并检查论证所覆盖的具体情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给详细例证或结论适用条件，不能据此否定所有多重插补用途。
原文摘要
Incomplete observability of data generates an identification problem. There is no panacea for missing data. What one can learn about a population parameter depends on the assumptions one finds credible to maintain. The credibility of assumptions varies with the empirical setting. No specific assumptions can provide a realistic general solution to the problem of inference with missing data. Yet Rubin has promoted random multiple imputation (RMI) as a general way to deal with missing values in public-use data. This recommendation has been influential to empirical researchers who seek a simple fix to the nuisance of missing data. This paper adds to my earlier critiques of imputation. It provides a transparent assessment of the mix of Bayesian and frequentist thinking used by Rubin to argue for RMI. It evaluates random imputation to replace missing outcome or covariate data when the objective is to learn a conditional expectation. It considers steps that might help combat the allure of making stuff up.