Adaptive confidence intervals with missing data
缺失数据下的自适应置信区间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：摘要核心是缺失数据下均值区间的通用 minimax 理论，因果推断仅作为延伸提及，尚不足以归入所列具体方向。
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…
缺失数据下的自适应置信区间
- 研究问题
- 观测可能并非完全随机缺失且污染比例等参数未知时，如何为总体均值构造有效置信区间，并适应未知的缺失机制参数？
- 方法与思路
- 作者采用同一基础分布的 MCAR 与 MNAR 版本混合构成的重参数化污染模型，在高斯及具有特定尾部或对称性限制的分布类中分析。
- 材料陈述的贡献
- 摘要称刻画可自适应置信区间的 minimax 长度，并构造简单、有限样本有效且达到对应速率的区间，另讨论因果推断含义。
- 阅读关注点
- 核对可实现污染模型的限制、未知参数的适应范围，以及各分布类的尾部或对称性要求和有限样本覆盖证明。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；有效性针对特定污染模型与分布类，摘要未说明对一般非随机缺失的适用性。
原文摘要
We consider the construction of confidence intervals for population means when observations are subject to missingness. To accommodate more general missingness mechanisms than missing completely at random (MCAR), we adopt a reparametrised version of the realisable contamination model of Ma et al. (2026), which is a mixture of an MCAR version and a missing not at random version of the same base distribution $P$. We characterise the minimax length of confidence intervals that can adapt to potentially unknown parameters of the model, including the contamination fraction, for Gaussian base distributions and for nonparametric classes satisfying certain tail or symmetry assumptions. In all of these settings, we provide explicit constructions of simple, practical and finite-sample valid adaptive confidence intervals that attain the corresponding minimax rates. Finally, we provide implications of our results for causal inference.