Weighted Semiparametric Estimation in Regression Analysis with Missing Covariate Data
协变量缺失回归中的加权半参数估计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：摘要研究缺失协变量下的一般回归估计，未提出因果效应、面板结构或其他所列专门模型。
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…
协变量缺失回归中的加权半参数估计
- 研究问题
- 在部分个体协变量缺失时，如何估计既定均值函数的回归系数，并理解选择概率估计方式对回归估计的影响？
- 方法与思路
- 作者考察 Horvitz–Thompson 型加权估计，将选择概率视为干扰参数或函数，重点分析以核平滑估计这些概率的方案。
- 材料陈述的贡献
- 摘要称给出新估计量的大样本理论，并在不同模型假设和缺失机制下与极大似然及多重插补进行模拟比较，另提供真实案例。
- 阅读关注点
- 应核对缺失机制、选择概率可识别条件、核平滑带宽，以及概率估计误差如何进入回归系数的渐近分布。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列明缺失机制的适用条件或比较结果；加权本身不能保证任意缺失下有效估计。
原文摘要
This article investigates estimation of the regression coefficients in an assumed mean function when covariates on some subjects are missing. We examine the performance of a Horvitz and Thompson (1952)-type weighted estimator by using different estimates of the selection probabilities, which may be treated as nuisance parameters (or a nuisance function). In particular, we investigate the properties of the estimate of the regression parameters when the selection probabilities are estimated by kernel smoothers. We present large sample theory for the new estimator and conduct simulation studies comparing the proposed estimator to the maximum likelihood estimator and multiple imputation under various model assumptions and different missingness mechanisms. In addition, we provide two real examples that motivate this investigation.