Estimating ratios of means of multicategory data observed with sample and category perturbations
样本与类别扰动下多类别数据的均值比估计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：摘要聚焦受扰动多类别数据的均值比估计，未明确涉及所列计量领域的特定研究对象。
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…
样本与类别扰动下多类别数据的均值比估计
- 研究问题
- 当多变量结局同时受到未知的样本特异性和类别特异性扰动时，如何识别并估计随协变量变化的均值比，尤其应对稀疏观测？
- 方法与思路
- 作者通过可解释的参数约束实现完整识别，加入渐近可忽略且对约束不变的惩罚，并开发坐标下降、增广拉格朗日算法及稳健得分检验。
- 材料陈述的贡献
- 摘要称，该方法可减少稀疏观测下的偏差并保证估计量存在，展示小样本及分布假设违背时的推断表现，并应用于结直肠癌微生物关联分析。
- 阅读关注点
- 应核对部分识别与完整识别各针对什么参数、约束的实质含义、惩罚项的作用，以及稳健得分检验成立的条件和模拟覆盖范围。
- 阅读边界
- 仅据所给 Crossref 摘要；具体识别约束、惩罚形式及小样本有效性的依据未提供，不能将摘要中的稳健性表述推广到任意扰动或分布。
原文摘要
Summay We consider the problem of estimating ratios of means of a multivariate outcome across covariates when the data are observed with unknown sample-specific and category-specific perturbations. Our model admits a partially identifiable estimand, and we establish full identifiability by imposing interpretable parameter constraints. To reduce bias and guarantee the existence of estimators in the presence of sparse observations, we apply an asymptotically negligible and constraint-invariant penalty to the loss function. We develop a fast coordinate-descent algorithm for estimation, and an augmented Lagrangian algorithm for estimation under null hypotheses. We construct a model-robust score test and demonstrate valid inference even for small sample sizes and under violated distributional assumptions. The flexibility of the approach, and comparisons with related methods, are illustrated through a simulation study and a meta-analysis of microbial associations with colorectal cancer.