:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thiesmeier, Robert, Bottai, Matteo, Orsini, Nicola
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Methodology
Online-Zugang:	https://arxiv.org/abs/2410.02982
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uniform inference in linear mixed models
von: Ekvall, Karl Oskar, et al.
Veröffentlicht: (2025)

Imputing With Predictive Mean Matching Can Be Severely Biased When Values Are Missing At Random
von: von Hippel, Paul T.
Veröffentlicht: (2025)

Estimation of Long-Range Dependent Models with Missing Data: to Impute or not to Impute?
von: Pumi, Guilherme, et al.
Veröffentlicht: (2023)

Bayesian MI-LASSO for Variable Selection on Multiply-Imputed Data
von: Zou, Jungang, et al.
Veröffentlicht: (2022)

Quantifying the Uncertainty of Imputed Demographic Disparity Estimates: The Dual-Bootstrap
von: Lu, Benjamin, et al.
Veröffentlicht: (2024)

Parametric MMD Estimation with Missing Values: Robustness to Missingness and Data Model Misspecification
von: Chérief-Abdellatif, Badr-Eddine, et al.
Veröffentlicht: (2025)

Statistical Inference for Regression with Imputed Binary Covariates with Application to Emotion Recognition
von: Lin, Ziqian, et al.
Veröffentlicht: (2024)

Hierarchical Dirichlet Process Mixture of Products of Multinomial Distributions: Applications to Survey Data with Potentially Missing Values
von: Wongkamthong, Chayut
Veröffentlicht: (2024)

Enterprise Profit Prediction Using Multiple Data Sources with Missing Values through Vertical Federated Learning
von: Tang, Huiyun, et al.
Veröffentlicht: (2025)

Prediction-Powered Inference with Imputed Covariates and Nonuniform Sampling
von: Kluger, Dan M., et al.
Veröffentlicht: (2025)

Missing Values Handling for Machine Learning Portfolios
von: Chen, Andrew Y., et al.
Veröffentlicht: (2022)

Causal Inference with MNAR Self-Masking Confounders: A Stratified Delta-Imputed Propensity Estimation Method
von: Sium, Md. Niamul Islam, et al.
Veröffentlicht: (2026)

Maximum Agreement Linear Predictors
von: Kim, Taeho, et al.
Veröffentlicht: (2023)

Constructing a T-test for Value Function Comparison of Individualized Treatment Regimes in the Presence of Multiple Imputation for Missing Data
von: Lu, Minxin, et al.
Veröffentlicht: (2023)

Balancing Weights for Non-monotone Missing Data
von: Dong, Jianing, et al.
Veröffentlicht: (2024)

Estimation of Semiparametric Factor Models with Missing Data
von: Zheng, Sijie
Veröffentlicht: (2025)

Component over Composite: Mitigating Type I Error Inflation when Imputing "Days Alive and at Home"
von: Tackney, Mia S., et al.
Veröffentlicht: (2026)

Score Matching With Missing Data
von: Givens, Josh, et al.
Veröffentlicht: (2025)

Monotone Missing Data: A Blessing and a Curse
von: Tikka, Santtu, et al.
Veröffentlicht: (2024)

Model Uncertainty and Missing Data: An Objective Bayesian Perspective
von: García-Donato, Gonzalo, et al.
Veröffentlicht: (2024)

Adaptive Learning with Blockwise Missing and Semi-Supervised Data
von: Li, Yiming, et al.
Veröffentlicht: (2024)

A Note on Ising Network Analysis with Missing Data
von: Zhang, Siliang, et al.
Veröffentlicht: (2023)

Testing the Missing Completely at Random Assumption for Functional Data
von: Ofner, Maximilian, et al.
Veröffentlicht: (2025)

Imputing missing not-at-random longitudinal marker values in time-to-event analysis: fully conditional specification multiple imputation in joint modeling
von: Murad, Havi, et al.
Veröffentlicht: (2024)

Random Indicator Imputation for Missing Not At Random Data
von: Jolani, Shahab, et al.
Veröffentlicht: (2024)

Causal Inference with Missing Exposures and Missing Outcomes
von: Landsiedel, Kirsten E., et al.
Veröffentlicht: (2025)

kNNSampler: Stochastic Imputations for Recovering Missing Value Distributions
von: Pashmchi, Parastoo, et al.
Veröffentlicht: (2025)

Full Law Identification under Missing Data with Categorical Variables
von: Tikka, Santtu, et al.
Veröffentlicht: (2024)

Linear Shrinkage Convexification of Penalized Linear Regression With Missing Data
von: Park, Seongoh, et al.
Veröffentlicht: (2024)

MMD Two-sample Testing in the Presence of Arbitrarily Missing Data
von: Zeng, Yijin, et al.
Veröffentlicht: (2024)

Variational Bayes Inference for Spatial Error Models with Missing Data
von: Wijayawardhana, Anjana, et al.
Veröffentlicht: (2024)

Confidence Intervals for Random Forest Permutation Importance with Missing Data
von: Föge, Nico, et al.
Veröffentlicht: (2025)

A Multiplicative Instrumental Variable Model for Data Missing Not-at-Random
von: Zhang, Yunshu, et al.
Veröffentlicht: (2025)

Conformal Inference For Missing Data under Multiple Robust Learning
von: Tang, Wenlu, et al.
Veröffentlicht: (2025)

Is External Information Useful for Data Fusion? An Evaluation before Acquisition
von: Dai, Guorong, et al.
Veröffentlicht: (2025)

Inside Out: Externalizing Assumptions in Data Analysis as Validation Checks
von: Zhang, H. Sherry, et al.
Veröffentlicht: (2025)

Analysis of Linked Files: A Missing Data Perspective
von: Kamat, Gauri, et al.
Veröffentlicht: (2024)

Causal and Counterfactual Views of Missing Data Models
von: Nabi, Razieh, et al.
Veröffentlicht: (2022)

On Doubly Robust Estimation with Nonignorable Missing Data Using Instrumental Variables
von: Sun, Baoluo, et al.
Veröffentlicht: (2023)

Data Privatization in Vertical Federated Learning with Client-wise Missing Problem
von: Tang, Huiyun, et al.
Veröffentlicht: (2025)