Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2205.01743

帮助 | 高级搜索

统计学 > 方法论

arXiv:2205.01743 (stat)
[提交于 2022年5月3日 ]

标题: 三相广义耙取和多重插补估计量以解决有误差的数据

标题: Three-phase generalized raking and multiple imputation estimators to address error-prone data

Authors:Gustavo Amorim, Ran Tao, Sarah Lotspeich, Pamela A. Shaw, Thomas Lumley, Rena C. Patel, Bryan E. Shepherd
摘要: 验证研究常用于在存在错误数据的环境中获取更可靠的信息。 对受试者子样本的验证数据可以与所有受试者的错误数据一起使用,以提高估计效果。 在实际操作中,可能需要多轮数据验证,直接应用标准方法将验证数据结合到分析中可能导致估计量效率低下,因为从中间验证步骤中获得的信息仅被部分考虑甚至完全忽略。 本文中,我们提出了多重插补和广义校准估计量的两种新扩展方法,充分利用所有可用数据。 我们通过模拟证明,结合中间步骤的信息可以显著提高效率。 这项工作受到一项研究的启发,并在一项针对82,957名感染HIV的女性避孕有效性研究中进行了说明,这些数据最初是从电子医疗记录中提取的,其中4855人的病历被审查,随后又有1203人接受了电话访谈以验证关键研究变量。
摘要: Validation studies are often used to obtain more reliable information in settings with error-prone data. Validated data on a subsample of subjects can be used together with error-prone data on all subjects to improve estimation. In practice, more than one round of data validation may be required, and direct application of standard approaches for combining validation data into analyses may lead to inefficient estimators since the information available from intermediate validation steps is only partially considered or even completely ignored. In this paper, we present two novel extensions of multiple imputation and generalized raking estimators that make full use of all available data. We show through simulations that incorporating information from intermediate steps can lead to substantial gains in efficiency. This work is motivated by and illustrated in a study of contraceptive effectiveness among 82,957 women living with HIV whose data were originally extracted from electronic medical records, of whom 4855 had their charts reviewed, and a subsequent 1203 also had a telephone interview to validate key study variables.
主题: 方法论 (stat.ME) ; 应用 (stat.AP)
引用方式: arXiv:2205.01743 [stat.ME]
  (或者 arXiv:2205.01743v1 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.2205.01743
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gustavo Amorim [查看电子邮件]
[v1] 星期二, 2022 年 5 月 3 日 19:28:15 UTC (255 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2022-05
切换浏览方式为:
stat
stat.AP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号