1) regression imputation
回归填补法
2) regression imputation
回归填补
3) regression imputation
回归插补
1.
For missing data,based on the unbiased estimation of the population quantity of the non-responser of the interest variables and the auxiliary variables,regression imputation using response probability and its variance estimate are formulated by resampling technologies such as Jackknife and Bootstrap.
对于缺失数据,本文根据目标变量和辅助变量的无回答者总体总量的无偏估计,利用再抽样(复制)技术,构造了使用回答概率的回归插补;进而,利用再抽样(复制)技术,得到了该插补估计的方差估计;并进行了大量模拟,模拟结果表明使用回答概率的回归插补估计及其方差估计具有良好的性质。
2.
Under uniform response,the regression imputation with incomplete auxiliary variable is studied,then the imputation estimate of population mean of interest variable and its Jackknife variance estimate are obtained.
针对抽样调查中经常出现的无回答数据,在均匀回答机制下,讨论了辅助变量不完全情形下的回归插补,给出了目标变量总体均值的插补估计与其Jackknife方差估计,同时给出了该情形下回归插补推广到多元辅助变量的方法。
3.
Under the simple random sampling and uniform response,using regression imputation and ratio imputation for missing data,the consistency of the variance estimators obtained by proportional Bootstrap is proved.
研究了比例Bootstrap,介绍其与通常的Bootstrap方法的差异;对简单随机抽样,在均匀回答的假定下,就缺失数据采取回归插补和比率插补的情形,证明了由比例Bootstrap方法得到的方差估计具有相合性;最后,通过模拟验证了理论结果。
4) regression interpolation
回归插补
1.
The least-square regression interpolation on the target variable under an incomplete condition
目标变量不完全情形下的最小二乘回归插补
2.
For no-answer data situation in sampling investigation,a regression interpolation model for missing data of target variable with two auxiliary variables under uniformity answer mechanism is given out in this paper.
对于抽样调查中经常出现的无回答数据,在均匀回答机制下,给出了两个辅助变量下目标变量缺失数据的回归插补模型。
5) imputation method
填补方法
1.
A non-parametric imputation method for microarray missing values;
一种无参数的微阵列缺失值填补方法(英文)
6) filling method
填补法
1.
The use of filling method in physics teaching;
填补法在物理教学中的应用
补充资料：多重填补法
多重填补是由rubin在1978年首先提出的，是指由包含m个插补值的向量代替每一个缺失值的过程，要求m大于等于2。m个完整数据集合能从插补向量中创建；有该向量的第一个元素代替每一个缺失值从而创建了第一个完整的数据机和，由它的向量中的第二个元素代替每一个缺失值从而创建了第二个完整数据的集合，以此类推，标准完整数据方法被用于分析每一个数据集合，对于一个无回答模型，当m套插补值被重复随机抽取时，m个完整数据推断能被组合起来形成一个正确地反映由于无回答引起的不确定性的推断，当插补值来自两个更多个无回答模型，根据模型的组合推断能在模型间形成对照，以说明模型对吴回答的推断灵敏性。通过多个单一插补的组合，多重插补既分享了单一插补的优点，也纠正了其缺点，特别地，在一个无回答模型中，当m重插补重复时，产生m套完全数据分析能很容易地被合并以创建一个有效反应由于确实数据引起抽样变异性的推断。当多重填补来自多个模型，关于校正模型的不确定性由在模型间有效推断的变异表示，与单一插补相比，多重填补为一点缺点是需要做大量的工作来创建插补集并进行结果分析，然而数据分析中大量工作在今天的计算环境下是非常适度的，因为它主要是执行m次相同的任务，而非一次。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条