Bootstrap for Imputed Survey Data
插补调查数据的自助法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：调查插补与自助推断属于通用统计方法，摘要未直接对应所列领域细分。
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
插补调查数据的自助法
- 研究问题
- 调查数据经过缺失值插补后，如何在方差估计与统计推断中反映缺失和插补的影响，避免直接视为完整数据造成失效？
- 方法与思路
- 作者要求在每个自助重抽样数据集内复现原数据的插补过程，以相同插补方式重新处理缺失值，再进行自助推断。
- 材料陈述的贡献
- 摘要宣称该方法具有渐近有效性，并可统一处理多种抽样设计、插补方法和统计量，强调重新插补对正确估计的重要性。
- 阅读关注点
- 应核对重抽样如何匹配调查设计、插补过程怎样复现，以及缺失机制、插补规则和统计量所需的实际理论条件。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；广泛适用及唯一性的表述属于作者主张，摘要未列完整条件，不能理解为不需任何正则性。
原文摘要
Most surveys use imputation to compensate for missing data. However, treating the imputed data set as the complete data set and directly applying existing methods (e.g., the linearization, the jackknife, and the bootstrap) for variance estimation and/or statistical inference does not produce valid results, because these methods do not account for the effect of missing data and/or imputation. In this article we show that correct bootstrap estimates can be obtained by imitating the process of imputing the original data set in the bootstrap resampling; that is, by imputing the bootstrap data sets in exactly the same way that the original data set is imputed. The proposed bootstrap is asymptotically valid irrespective of the sampling design, the imputation method, or the type of statistic used in inference. This enables us to use a unified method in a variety of problems, and in fact this is the only method that works without any restriction on the sampling design, the imputation method, or the type of statistic.