Full Law Identification under Missing Data with Categorical Variables
分类变量缺失数据中的完整联合分布识别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：摘要核心是通用缺失数据联合分布的图形识别，虽提及因果目标量，但未具体研究处理效应，细分依据不足。
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
分类变量缺失数据中的完整联合分布识别
- 研究问题
- 在图形缺失数据模型中，当特殊的 colluder 依赖结构通常妨碍完整联合分布识别时，分类变量能否恢复识别？
- 方法与思路
- 作者针对涉及任意分类变量的 colluder 结构提出完整联合分布识别的充要条件，并用模拟与真实数据演示极大似然估计。
- 材料陈述的贡献
- 摘要称分类变量在某些情形下可恢复变量与响应指示器联合分布的识别，并给出充要条件及可识别模型的估计示例。
- 阅读关注点
- 应核对 colluder 结构的图形定义、充要条件对类别与概率分布的要求，以及完整联合分布识别与目标参数识别的区别。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未写出充要条件，不能推广为所有分类变量缺失问题均可识别。
原文摘要
Missing data may be disastrous for the identifiability of causal and statistical estimands. In graphical missing data models, colluders are dependence structures that have a special importance for identification considerations. It has been shown that the presence of a colluder makes the full law, i.e., the joint distribution of variables and response indicators, non-parametrically non-identifiable. However, when the variables related to the colluder structure are categorical, it is sometimes possible to regain the identifiability of the full law. We present a necessary and sufficient condition for the identification of the full law in the presence of colluder structures with arbitrary categorical variables. Maximum likelihood estimation of the full law in identifiable models with categorical variables is demonstrated with simulated and real data.