Alternative Paradigms for the Analysis of Imputed Survey Data
插补调查数据分析的替代范式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：摘要聚焦调查数据插补与一般方差估计，没有指定因果、面板、分布效应或其他细分方向的充分证据。
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
插补调查数据分析的替代范式
- 研究问题
- 多重插补后的调查数据中，常用方差估计为何可能不一致，如何在更宽条件下同时兼顾估计效率与方差一致性？
- 方法与思路
- 作者扩展 Rao、Shao 和 Fay 的相关工作，将 Rao—Shao 的结果推广至分数加权插补，以构造更广泛适用的方差估计。
- 材料陈述的贡献
- 摘要称多重插补方差估计在某些简单条件下不一致，并提出结合多重插补估计效率与 Rao—Shao 方差一致性的方案。
- 阅读关注点
- 阅读时应核对不一致反例的具体条件、分数插补权重的构造，以及效率和方差一致性结论各自依赖的假设。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制及相关条件未展开，不能据此否定所有多重插补方差估计。
原文摘要
Rubin has offered multiple imputation as a general approach to inference from survey data sets with missing values filled in through imputation. In many situations the multiple imputation variance estimator is consistent. In turn, this observation has lent support to a number of complex applications. In fact, however, the multiple imputation variance estimator is inconsistent under some simple conditions. This article extends previous work of Rao and Shao and of Fay directed toward consistent variance estimation under wider conditions. Extensions of Rao and Shao's results to fractionally weighted imputation combines the estimation efficiency of multiple imputation and the consistency of the Rao—Shao variance estimator.