Using Hierarchical Likelihood for Missing Data Problems
利用层级似然处理缺失数据问题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：摘要聚焦通用缺失数据似然方法，Tobit 示例不足以确定所列领域细分。
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
利用层级似然处理缺失数据问题
- 研究问题
- 对于可表示为潜在随机变量的缺失数据，如何利用层级似然近似边际似然，并处理固定效应估计对精度评估的影响？
- 方法与思路
- 作者采用层级似然实现拉普拉斯近似并调整精度度量，分别讨论随机缺失与非随机缺失，研究 Tobit 回归并重拟合试验选择模型。
- 材料陈述的贡献
- 摘要将层级似然作为处理似然积分的一条途径，给出精度调整并展示缺失机制与回归实例，但没有声称解决全部缺失问题。
- 阅读关注点
- 应核对潜变量表示、近似和精度调整的推导，以及不同缺失机制下是否纳入缺失过程、选择模型的识别与拟合设定。
- 阅读边界
- 依据版本未注明的索引摘要；近似精度、非随机缺失的识别约束及试验重拟合结果未说明，不能据此确认推断可靠性。
原文摘要
Most statistical solutions to the problem of statistical inference with missing data involve integration or expectation. This can be done in many ways: directly or indirectly, analytically or numerically, deterministically or stochastically. Missing-data problems can be formulated in terms of latent random variables, so that hierarchical likelihood methods of Lee & Nelder (1996) can be applied to missing-value problems to provide one solution to the problem of integration of the likelihood. The resulting methods effectively use a Laplace approximation to the marginal likelihood with an additional adjustment to the measures of precision to accommodate the estimation of the fixed effects parameters. We first consider missing at random cases where problems are simpler to handle because the integration does not need to involve the missing-value mechanism and then consider missing not at random cases. We also study tobit regression and refit the missing not at random selection model to the antidepressant trial data analyzed in Diggle & Kenward (1994).