New Modified Estimators for the Spatial Lag Model with Randomly Missing Data in Dependent Variable: Methods and Simulation Study
Notice bibliographique
Résumé
Accurately estimating the spatial lag model (SLM) in the presence of randomly missing data in the dependent variable poses a significant challenge. We introduce some modifications to the two-stage least squares with imputation (I2SLS) estimator previously proposed by Izaguirre [1] and Wang and Lee [2]. Our key contributions include (1) introducing the generalized nonlinear least squares (GNLS) estimator as an alternative imputation method to the previously used nonlinear least squares (NLS) approach in the literature, (2) incorporating additional instrument matrices (IM), and (3) implementing both partial and total imputations for all modified estimators. Through a Monte Carlo simulation (MCS) study, we evaluate the performance of these estimators across various scenarios of sample size, spatial weights matrix densities, and missingness rate. Results are compared in terms of coefficient bias and root mean squares errors (RMSE) for both the parameters and model fit. The findings indicate that all estimators demonstrate relatively strong performance in the context of estimator coefficients bias and RMSE. However, our modified estimators demonstrate slightly better performance compared to those previously documented in the literature in terms of overall RMSE. While both total and partial imputation approaches tend to produce similar results, partial imputation demonstrated superior performance in certain scenarios. Additionally, the estimators proved robust, maintaining their reliability across varying levels of spatial connectivity. However, higher missing data rates led to slightly increased bias and RMSE.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».