Causal Inference With Outcome-Dependent Missingness And Self-Censoring
结果依赖型缺失与自我删失下的因果推断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：摘要研究结果缺失与混杂下的因果识别、假设检验和处理效应估计。
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…
结果依赖型缺失与自我删失下的因果推断
- 研究问题
- 当结果变量影响自身是否被报告时，如何检验用于因果识别的条件，并同时处理自我删失和混杂带来的估计偏差？
- 方法与思路
- 作者利用鼓励结果报告的随机激励变量构造检验，提出以处理变量作为影子变量的识别方法，并组合处理权重与响应权重。
- 材料陈述的贡献
- 摘要称检验可验证所述路径阻断条件；在这些条件下，因果效应可识别，并可用直观的逆概率加权估计量估计。
- 阅读关注点
- 应核对随机激励变量的假设、检验与路径阻断条件的逻辑关系，以及将处理变量用作影子变量的识别与加权推导。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未列出完整假设或检验性质，不能把检验未拒绝等同于识别已获证明。
原文摘要
We consider missingness in the context of causal inference when the outcome of interest may be missing. If the outcome directly affects its own missingness status, i.e., it is "self-censoring", this may lead to severely biased causal effect estimates. Miao et al. [2015] proposed the shadow variable method to correct for bias due to self-censoring; however, verifying the required model assumptions can be difficult. Here, we propose a test based on a randomized incentive variable offered to encourage reporting of the outcome that can be used to verify identification assumptions that are sufficient to correct for both self-censoring and confounding bias. Concretely, the test confirms whether a given set of pre-treatment covariates is sufficient to block all backdoor paths between the treatment and outcome as well as all paths between the treatment and missingness indicator after conditioning on the outcome. We show that under these conditions, the causal effect is identified by using the treatment as a shadow variable, and it leads to an intuitive inverse probability weighting estimator that uses a product of the treatment and response weights. We evaluate the efficacy of our test and downstream estimator via simulations.