Sieve Maximum Likelihood Estimation for Regression Models With Covariates Missing at Random
协变量随机缺失回归模型的筛极大似然估计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：摘要聚焦随机缺失协变量下的一般回归与半参数效率，未明确研究给定细分中的因果效应、面板或选择模型。
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…
协变量随机缺失回归模型的筛极大似然估计
- 研究问题
- 当回归中的协变量满足随机缺失条件时，如何减少对协变量分布的参数化限制，并有效估计回归系数及其不确定性？
- 方法与思路
- 作者对缺失协变量采用完全非参数分布，以筛极大似然估计回归系数，并用bootstrap估计渐近协方差矩阵。
- 材料陈述的贡献
- 摘要称估计量一致、渐近正态且达到半参数效率界，提出高维协变量的实用建模办法，并提供模拟与临床试验应用。
- 阅读关注点
- 应核对随机缺失条件、筛空间与复杂度选择、效率结论的正则要求，以及bootstrap和高维建模办法的适用范围。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未列出效率与一致性的具体条件，临床试验应用不意味着这里识别了治疗因果效应。
原文摘要
Missing covariates are common in regression problems. We propose a new semiparametric method based on a fully nonparametric distribution for the missing covariates that are assumed to be missing at random. The method of sieve maximum likelihood estimation is used to obtain the estimators of the regression coefficients. These estimators are shown to be consistent and asymptotically normal with their asymptotic covariance matrix that achieves the semiparametric efficiency bound. A bootstrap approach is used to estimate the asymptotic covariance matrix. Some practical modeling approaches for high-dimensional covariates are proposed. Extensive simulation studies are conducted to examine the finite-sample properties of the estimates, and a real data set from a liver cancer clinical trial is analyzed using the proposed method.