Indicator and Stratification Methods for Missing Explanatory Variables in Multiple Linear Regression
多元线性回归中解释变量缺失的指示变量法与分层法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：摘要研究回归解释变量缺失的通用偏差问题，未明确涉及因果识别、面板数据或其他所列领域的专门设定。
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
多元线性回归中解释变量缺失的指示变量法与分层法
- 研究问题
- 线性回归中用缺失指示变量或单独缺失层处理解释变量缺失，会给回归系数及残差方差带来怎样的偏差？
- 方法与思路
- 作者推导两类缺失处理方法的精确偏差，同时理论考察完整案例分析，并对部分方法进行数值偏差评估。
- 材料陈述的贡献
- 摘要称缺失指示方法在实际情形中可能产生不可接受的偏差，完整案例分析则在许多情形下无偏但损失信息。
- 阅读关注点
- 应核对各方法的模型构造、缺失机制及无偏条件，区分系数偏差、方差估计偏差和完整案例分析的信息损失。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列明缺失机制与数值设定，不能把完整案例无偏或指示法偏差推广至所有情形。
原文摘要
The statistical literature and folklore contain many methods for handling missing explanatory variable data in multiple linear regression. One such approach is to incorporate into the regression model an indicator variable for whether an explanatory variable is observed. Another approach is to stratify the model based on the range of values for an explanatory variable, with a separate stratum for those individuals in which the explanatory variable is missing. For a least squares regression analysis using either of these two missing-data approaches, the exact biases of the estimators for the regression coefficients and the residual variance are derived and reported. The complete-case analysis, in which individuals with any missing data are omitted, is also investigated theoretically and is found to be free of bias in many situations, though often wasteful of information. A numerical evaluation of the bias of two missing-indicator methods and the complete-case analysis is reported. The missing-indicator methods show unacceptably large biases in practical situations and are not advisable in general.