Partial identification for discrete data with nonignorable missing outcomes
结局非可忽略缺失下离散数据的部分识别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：摘要利用工具变量限制开展部分识别，并将方法应用于现金转移干预效果分析。
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
结局非可忽略缺失下离散数据的部分识别
- 研究问题
- 研究离散结局存在非可忽略缺失时，如何避免依赖强参数设定，并利用多项实质性限制缩小感兴趣参数的识别区域。
- 方法与思路
- 作者提出非参数贝叶斯方法，同时纳入工具变量和缺失偏差方向限制，并用拒绝采样量化数据对这些限制的支持。
- 材料陈述的贡献
- 摘要称方法能够整合多种参数空间限制，并与 Heckman 选择模型开展模拟比较，应用于无家可归者现金转移效果研究。
- 阅读关注点
- 应核对各限制的精确定义、识别区域如何收缩、非参数先验的作用，以及拒绝采样所衡量的证据与假设可检验性的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明识别条件和比较结果，数据支持也不能直接证明限制成立。
原文摘要
Nonignorable missing outcomes are common in real world datasets and often require strong parametric assumptions to achieve identification. These assumptions can be implausible or untestable, and so we may forgo them in favour of partially identified models that narrow the set of a priori possible values to an identification region. Here we propose a new nonparametric Bayes method that allows for the incorporation of multiple clinically relevant restrictions of the parameter space simultaneously. We focus on two common restrictions, instrumental variables and the direction of missing data bias, and investigate how these restrictions narrow the identification region for parameters of interest. Additionally, we propose a rejection sampling algorithm that allows us to quantify the evidence for these assumptions in the data. We compare our method to a standard Heckman selection model in both simulation studies and in an applied problem examining the effectiveness of cash-transfers for people experiencing homelessness.