Model selection with nonignorable nonresponse
不可忽略无应答下的模型选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的工具变量用于不可忽略缺失下的模型选择，未明确研究因果效应，也未提供其他所列细分方向的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
不可忽略无应答下的模型选择
- 研究问题
- 当无应答不可忽略且响应倾向未指定参数模型时，如何利用工具变量信息选择正确而紧凑的模型，并开展总体参数推断？
- 方法与思路
- 作者借助工具变量携带的信息，提出惩罚验证准则，在候选参数模型之间选择，并使用选定模型估计总体参数。
- 材料陈述的贡献
- 摘要称若候选集中存在正确模型，准则可一致选择最紧凑的正确模型，所得总体参数估计具有一致性和渐近正态性。
- 阅读关注点
- 应核对工具变量所需条件、响应倾向未指定时的识别机制、候选模型正确性的含义，以及模型选择后推断的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；工具变量条件和识别细节未说明，结论以存在正确候选模型为前提。
原文摘要
Existing methods for handling nonignorable missing data rely on the correct specification of parametric models, which is difficult to check. By utilizing the information carried in an instrument, we propose a novel model selection criterion, called the penalized validation criterion, in the presence of nonignorable nonresponse with unspecified propensity. The proposed method can consistently select the most compact correct parametric model from a group of candidate models if one of the candidate models is correct. The population parameter estimators based on the selected model are consistent and asymptotically normal. Prior to our study, this type of result had been established only for ignorable missing data or nonignorable missing data under the strong assumption that the nonresponse propensity has a correct parametric model. Simulation results show that our proposed method works quite well. A real-data example is presented.