统计学 > 方法论
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.