Soft calibration for selection bias problems under mixed-effects models
混合效应模型下选择偏差问题的软校准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：摘要明确将选择偏差校准用于因果推断，并联系倾向得分权重，因此选择因果推断；混合效应模型本身不足以判为面板数据。
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…
关注这篇论文的作者
混合效应模型下选择偏差问题的软校准
- 研究问题
- 当用于校准的协变量较多、精确匹配导致权重过大时，如何在纠正选择偏差的同时，通过适度放松约束改善估计效率？
- 方法与思路
- 作者在结果与选择指标服从混合效应模型的框架中，对固定效应精确校准、对随机效应近似校准，并联系线性预测和惩罚倾向权重。
- 材料陈述的贡献
- 摘要称，软校准与最佳线性无偏预测相联系，可较硬校准提高效率；作者推导渐近分布和有效方差估计，并提供模拟与应用。
- 阅读关注点
- 应核对混合效应设定、近似校准强度的选择，以及效率比较和方差公式的条件，尤其关注模型误设时偏差与权重稳定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未列出效率与渐近结论的条件，不能推断其在所有设定下更优。
原文摘要
Calibration weighting has been widely used to correct selection biases in non-probability sampling, missing data, and causal inference. The main idea is to calibrate the biased sample to the benchmark by adjusting the subject weights. However, hard calibration can produce enormous weights when an exact calibration is enforced on a large set of extraneous covariates. This article proposes a soft calibration scheme, in which the outcome and the selection indicator follow mixed-effects models. The scheme imposes an exact calibration on the fixed effects and an approximate calibration on the random effects. On the one hand, our soft calibration has an intrinsic connection with best linear unbiased prediction, which results in a more efficient estimation compared to hard calibration. On the other hand, soft calibration weighting estimation can be envisioned as penalized propensity score weight estimation, with the penalty term motivated by the mixed-effects structure. The asymptotic distribution and a valid variance estimator are derived for soft calibration. We demonstrate the superiority of the proposed estimator over other competitors in simulation studies and a real-data application.