Bayesian nonparametric analysis of longitudinal studies in the presence of informative missingness
存在信息性缺失时纵向研究的贝叶斯非参数分析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：摘要明确讨论纵向临床试验、因果效应非识别及识别限制敏感性，分别对应个体重复观测与因果推断问题。
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
存在信息性缺失时纵向研究的贝叶斯非参数分析
- 研究问题
- 纵向临床试验中的不可忽略、非单调缺失会使因果效应无法非参数识别，如何开展推断并评估识别假设的敏感性？
- 方法与思路
- 作者在完整数据生成机制上指定辅助工作先验，由其诱导观测数据机制的先验，再结合识别限制实施贝叶斯非参数推断。
- 材料陈述的贡献
- 摘要称该框架兼具灵活建模、简便计算、理论支持和直接的敏感性分析，并能够处理非单调的不可忽略缺失。
- 阅读关注点
- 阅读全文时应核对工作先验与识别限制各自的作用、哪些部分由观测数据支持，以及敏感性分析如何改变不可检验假设。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；识别限制和理论条件未提供，框架本身不能消除不可忽略缺失带来的非识别问题。
原文摘要
In longitudinal clinical trials, one often encounters missingness that is thought to be nonignorable. Such missingness introduces identifiability issues, resulting in causal effects being nonparametrically unidentified; it is then prudent to conduct a sensitivity analysis to assess how much of the inference is being driven by untestable assumptions needed to identify the effects of interest. We introduce a Bayesian nonparametric framework for conducting inference in the presence of nonignorable, nonmonotone missingness. This framework focuses on the specification of an auxiliary working prior on the space of complete data generating mechanisms. This prior induces a prior on the observed data generating mechanism, which is then used in conjunction with an identifying restriction to conduct inference. Advantages of this approach include a flexible modelling framework, access to simple computational methods, strong theoretical support, straightforward sensitivity analysis, and applicability to nonmonotone missingness.