Regression Analysis with Covariates Missing at Random: A Piece-wise Nonparametric Model for Missing Covariates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Statistical analysis for the regression model f β(y | x, z) with missing values in the covariate vector X requires modeling of the covariate distribution g(x | z). Likelihood methods, including Ibrahim (1990 Ibrahim , J. G. ( 1990 ). Incomplete data in generalized linear models . J. Amer. Statist. Assoc. 85 : 765 – 769 .[Taylor & Francis Online], [Web of Science ®] , [Google Scholar]), Chen (2004 Chen , H. Y. (2004). Nonparametric and semiparametric models for missing covariates in parametric regression. J. Amer. Statist. Assoc. 99:1176–1189.[Taylor & Francis Online], [Web of Science ®] , [Google Scholar]), and Zhao (2005 Zhao , Y. ( 2005 ). Design and Efficient Estimation in Regression Analysis with Missing Data in Two-Phase Studies. Ph.D. thesis , University of Waterloo . [Google Scholar]), need either X or Z to be discrete. This article considers extending the likelihood methods to deal with cases where both X and Z may be continuous. We propose modeling the covariate distribution g(x | z) using a piece-wise nonparametric model, then a maximum likelihood estimate (MLE) of β can be computed following the maximum likelihood estimating procedure of Chen (2004 Chen , H. Y. (2004). Nonparametric and semiparametric models for missing covariates in parametric regression. J. Amer. Statist. Assoc. 99:1176–1189.[Taylor & Francis Online], [Web of Science ®] , [Google Scholar]) or Zhao (2005 Zhao , Y. ( 2005 ). Design and Efficient Estimation in Regression Analysis with Missing Data in Two-Phase Studies. Ph.D. thesis , University of Waterloo . [Google Scholar]). The resulting estimation method is easy to implement and the asymptotic properties of the MLE follow under certain conditions. Extensive simulation studies for different models indicate that the proposed method is acceptable for practical implementation. A real data example is used to illustrate the method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle