Simple Fitting Algorithms for Incomplete Categorical Data
不完整分类数据的简便拟合算法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：分类数据与缺失似然本身不足以证明涉及离散选择行为，摘要也未指向其他所列细分方向。
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…
关注这篇论文的作者
不完整分类数据的简便拟合算法
- 研究问题
- 分类数据存在缺失时，能否直接利用观测数据似然进行拟合，并在广泛模型与缺失模式下简化计算和方差估计？
- 方法与思路
- 作者用完整数据表达观测数据对数似然及其导数，据此直接优化观测似然，以统一形式处理不同缺失问题。
- 材料陈述的贡献
- 摘要称直接使用观测似然可较 EM 获得明显计算加速，并给出直接的参数方差估计方法，另完整展示两个例子。
- 阅读关注点
- 应核对适用模型和缺失模式、缺失机制、导数与方差估计的构造，以及速度比较是否使用相同的收敛标准。
- 阅读边界
- 仅据 Crossref 所供摘要；算法细节、缺失机制及加速幅度未说明，不能推断所有分类模型均优于 EM。
原文摘要
Summary A popular approach to estimation based on incomplete data is the EM algorithm. For categorical data, this paper presents a simple expression of the observed data log-likelihood and its derivatives in terms of the complete data for a broad class of models and missing data patterns. We show that using the observed data likelihood directly is easy and has some advantages. One can gain considerable computational speed over the EM algorithm and a straightforward variance estimator is obtained for the parameter estimates. The general formulation treats a wide range of missing data problems in a uniform way. Two examples are worked out in full.