کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869418 681363 2016 42 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A propensity score adjustment method for regression models with nonignorable missing covariates
ترجمه فارسی عنوان
روش تعدیل نمره گرایشی برای مدل های رگرسیون با استفاده از کوواریات های غیرواقعی
کلمات کلیدی
احتمالا به احتمال زیاد کج شده است رگرسیون کیفی کامپوزیتی، به طور تصادفی از دست نرفته نمره گرایش،
ترجمه چکیده
در یک مدل رگرسیون خطی با استفاده از متغیرهای غیرواقعی از دست رفته، اشتباهات غیر عادی یا ناپایدارها می توانند به نتایج بد گمراه کننده و گمراه کننده با روش های برآورد پارامترهای استاندارد ساخته شده بر روی هر دو روش مبتنی بر حداقل مربعات یا احتمال، منجر شوند. روش نمره گرایشی با روش رگرسیون قوی و کارآمد به نام رگرسیون کیفی کامپوزیت برای ارزیابی پارامتر مدل رگرسیون خطی با استفاده از متغیرهای غلط نامناسب پیشنهاد شده است. برآورد نیمه پارامتر نمره گرایش مبتنی بر رویکرد احتمال احتمالا کج شده است. خواص همبستگی برآوردگرهای پیشنهادی به صورت سیستماتیک بررسی شده است. روش پیشنهادی در برابر خطاهای سنگین یا ناپایدار در پاسخ مقاوم است. مطالعات شبیه سازی و برنامه های داده ای واقعی برای نشان دادن اثرات و مزایای بالقوه آن در مقایسه با روش های معمول استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
روش تعدیل نمره گرایشی برای مدل های رگرسیون با استفاده از کوواریات های غیرواقعی
چکیده انگلیسی
In a linear regression model with nonignorable missing covariates, non-normal errors or outliers can lead to badly biased and misleading results with standard parameter estimation methods built on either least squares- or likelihood-based methods. A propensity score method with a robust and efficient regression procedure called composite quantile regression for parameter estimation of the linear regression model with nonignorable missing covariates is proposed. Semiparametric estimation of the propensity score is based on the exponentially tilted likelihood approach. Asymptotic properties of the proposed estimators are systematically investigated. The proposed method is resistant to heavy-tailed errors or outliers in the response. Simulation studies and real data applications are used to illustrate its potential impacts and benefits compared with conventional methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 94, February 2016, Pages 98-119
نویسندگان
, , ,