Semiparametric Pseudo-Likelihoods in Generalized Linear Models With Nonignorable Missing Data
不可忽略缺失数据下广义线性模型的半参数伪似然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：摘要中的工具变量服务于缺失数据模型参数识别，未明确研究因果效应，故不据此归入因果推断。
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
不可忽略缺失数据下广义线性模型的半参数伪似然
- 研究问题
- 当响应变量与部分协变量存在缺失，且缺失机制不可忽略并未指定时，如何识别和估计广义线性模型的参数？
- 方法与思路
- 作者利用工具变量辅助参数识别，构造半参数伪似然，并以两步迭代将非凹最大化问题分解为两个凹函数最大化问题。
- 材料陈述的贡献
- 摘要称给出明确的可识别条件和部分渐近结果，在若干情形推导渐近协方差及其估计量，并报告模拟与棉厂工人数据应用。
- 阅读关注点
- 应核对工具变量所需的具体条件、缺失机制保留的限制、各类参数的识别范围，以及迭代算法与协方差公式的适用情形。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；识别条件与数值结果未提供，工具变量辅助缺失数据识别也不等于建立因果效应识别。
原文摘要
We consider identifiability and estimation in a generalized linear model in which the response variable and some covariates have missing values and the missing data mechanism is nonignorable and unspecified. We adopt a pseudo-likelihood approach that makes use of an instrumental variable to help identifying unknown parameters in the presence of nonignorable missing data. Explicit conditions for the identifiability of parameters are given. Some asymptotic properties of the parameter estimators based on maximizing the pseudo-likelihood are established. Explicit asymptotic covariance matrix and its estimator are also derived in some cases. For the numerical maximization of the pseudo-likelihood, we develop a two-step iteration algorithm that decomposes a nonconcave maximization problem into two problems of maximizing concave functions. Some simulation results and an application to a dataset from cotton factory workers are also presented.