Intrinsic efficiency and multiple robustness in longitudinal studies with drop-out: Table 1.
存在退出的纵向研究中的内在效率与多重稳健性：表1AI 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：摘要研究纵向重复观测中的退出与终点均值估计，直接对应面板数据的样本流失问题。
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
存在退出的纵向研究中的内在效率与多重稳健性：表1
- 研究问题
- 在受试者逐步退出的纵向研究中，如何利用既往观测和多个工作模型估计研究终点的响应均值，同时兼顾效率与稳健性？
- 方法与思路
- 作者利用既往访视数据校准每次访视的缺失概率，结合一个缺失概率工作模型和多个数据分布工作模型构造均值估计量。
- 材料陈述的贡献
- 摘要称估计量具有内在效率和多重稳健性；特定模型正确时达到半参数效率界，且估计量为已观测响应的凸组合。
- 阅读关注点
- 应核对退出机制的假设、逐次校准方法、两类工作模型正确时的不同保证，以及增加分布模型提升效率的条件和例外。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明缺失机制的完整假设、校准公式和有限样本表现。
原文摘要
Intrinsic efficiency and multiple robustness are desirable properties in missing data analysis. We establish both for estimating the mean of a response at the end of a longitudinal study with drop-out. The idea is to calibrate the estimated missingness probability at each visit using data from past visits. We consider one working model for the missingness probability and multiple working models for the data distribution. Intrinsic efficiency guarantees that, when the missingness probability is correctly modelled, the multiple data distribution models, combined with data prior to the end of the study, are optimally accommodated to maximize efficiency. The efficiency generally increases with the number of data distribution models, except where one such model is correctly specified as well, in which case all the proposed estimators attain the semiparametric efficiency bound. Multiple robustness ensures estimation consistency if the missingness probability model is misspecified but one data distribution model is correct. Our proposed estimators are all convex combinations of the observed responses, and thus always fall within the parameter space.