Model averaging estimation of generalized linear models with imputed covariates
协变量经插补的广义线性模型之模型平均估计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：摘要研究通用广义线性模型的缺失协变量与模型平均，未明确限定离散选择或其他列出的细分方向。
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…
协变量经插补的广义线性模型之模型平均估计
- 研究问题
- 广义线性模型的部分协变量缺失但可用插补值补齐时，如何处理参数估计的偏差与精度权衡，并利用缺失模式降低计算负担？
- 方法与思路
- 作者扩展广义缺失指示变量方法，将插补引起的权衡视作模型不确定性，对经典极大似然估计进行贝叶斯平均，并提出分块策略。
- 材料陈述的贡献
- 摘要提出适用于广义线性模型的BAML方法，以及纳入缺失数据模式、计算较简单的分块模型平均策略，并以实证应用展示。
- 阅读关注点
- 应核对缺失机制与插补值的要求、候选模型和平均权重构造，以及分块方式如何利用缺失模式并影响偏差与精度。
- 阅读边界
- 依据出版社摘要，无法判断方法是否要求特定缺失机制、插补误差如何处理或区间推断是否有效；实证应用细节亦未说明。
原文摘要
We address the problem of estimating generalized linear models when some covariate values are missing but imputations are available to fill-in the missing values. This situation generates a bias-precision trade-off in the estimation of the model parameters. Extending the generalized missing-indicator method proposed by Dardanoni et al. (2011) for linear regression, we handle this trade-off as a problem of model uncertainty using Bayesian averaging of classical maximum likelihood estimators (BAML). We also propose a block model averaging strategy that incorporates information on the missing-data patterns and is computationally simple. An empirical application illustrates our approach.