A Weighted Estimating Equation for Missing Covariate Data with Properties Similar to Maximum Likelihood
具有类似最大似然性质的缺失协变量加权估计方程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：摘要讨论缺失协变量的回归估计及模型设定稳健性，没有明确处理效应或因果识别问题，无法据此归入因果推断。
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…
具有类似最大似然性质的缺失协变量加权估计方程
- 研究问题
- 回归中的协变量存在缺失时，如何构造接近最大似然估计方程的加权方法，并在相关模型并非全部正确设定时保持参数估计一致？
- 方法与思路
- 作者按完整观测被观察到的概率倒数加权，提出与最大似然方程几乎相同的估计方程，并设计新的 EM 型算法求解。
- 材料陈述的贡献
- 摘要称，方程属于已有方法的特例，新的部分是 EM 型求解算法；一致性要求缺失机制或给定观测信息的缺失数据分布之一正确。
- 阅读关注点
- 应核对两类模型分别如何设定、任一正确即可一致所需的附加条件、EM 型更新步骤，以及与最大似然比较时的效率标准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；缺失机制限制与效率结论未说明，不能将该一致性陈述直接转化为因果识别或普遍效率优势。
原文摘要
In regression analysis, missing covariate data occurs often. A recent approach to analyzing such data is weighted estimating equations. With weighted estimating equations, the contribution to the estimating equation from a complete observation is weighted by the inverse probability of being observed. In this article we propose a weighted estimating equation that is almost identical to the maximum likelihood estimating equations. As such, we propose an EM-type algorithm to solve these weighted estimating equations. Although the weighted estimating equations are a special case of those proposed earlier by Robins et al., our EM-type algorithm to solve them is new. Similar to Robins and Ritov, we give the result that to obtain a consistent estimate of the regression parameters, either the missing-data mechanism or the distribution of the missing data given the observed data must be correctly specified. We compare the weighted estimating equations to maximum likelihood via two examples, a simulation and an asymptotic study.