Multistage Estimators for Missing Covariates and Incomplete Outcomes
协变量缺失与结局不完整的多阶段估计方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确将缺失协变量框架用于因果推断中的二元处理问题，并讨论识别理论。
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…
关注这篇论文的作者
协变量缺失与结局不完整的多阶段估计方法
- 研究问题
- 当多个协变量缺失且响应仅部分可观测时，如何构造可识别、可推断的估计程序，并适用于生存分析与二元处理问题？
- 方法与思路
- 作者结合逆概率加权、回归调整和多重稳健程序，处理复杂缺失情形，并讨论Cox模型、响应缺失及二元处理应用。
- 材料陈述的贡献
- 摘要称建立了相应识别与渐近理论，并通过模拟和阿尔茨海默病数据展示程序应用，但没有具体报告效果大小。
- 阅读关注点
- 应核对缺失机制、各阶段所需模型及多重稳健性的准确含义，尤其关注哪些模型正确时能够保证识别与有效推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明识别假设、收敛条件或数值结果，不能据此判断普遍适用性。
原文摘要
We study problems with multiple missing covariates and partially observed responses. We develop a new framework to handle complex missing covariate scenarios via inverse probability weighting, regression adjustment, and a multiply-robust procedure. We apply our framework to three classical problems: the Cox model from survival analysis, missing response, and binary treatment from causal inference. We also discuss how to handle missing covariates in these scenarios, and develop associated identifying theories and asymptotic theories. We apply our procedure to simulations and an Alzheimer's disease dataset and obtain meaningful results.