Local Model Uncertainty and Incomplete-Data Bias (With Discussion)
局部模型不确定性与不完整数据偏差（含讨论）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：摘要明确以观察性研究中的隐藏混杂为应用，涉及因果推断对不可观测因素和模型偏离的敏感性。
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
局部模型不确定性与不完整数据偏差（含讨论）
- 研究问题
- 研究观测不完整且模型选择存在不确定性时，微小模型偏离如何产生最大似然估计偏差，以及这种偏差与效率损失的关系。
- 方法与思路
- 作者提出一般分析框架，在模型偏离较小的假设下近似估计偏差，并以不可忽略缺失、隐藏混杂及发表偏差说明应用。
- 材料陈述的贡献
- 摘要提出不完整数据效率损失的双重解释：模型正确时表现为方差增加，模型错误时表现为偏差，并建议粗略的方差调整。
- 阅读关注点
- 应核对局部偏离的尺度、偏差近似与效率损失的数学关系，以及方差加倍建议的依据和隐藏混杂例子的具体设定。
- 阅读边界
- 仅据所给 Crossref 主文摘要，不能评价讨论部分或近似误差；方差加倍只是摘要中的粗略建议，不保证消除混杂偏差或正确覆盖。
原文摘要
Summary Problems of the analysis of data with incomplete observations are all too familiar in statistics. They are doubly difficult if we are also uncertain about the choice of model. We propose a general formulation for the discussion of such problems and develop approximations to the resulting bias of maximum likelihood estimates on the assumption that model departures are small. Loss of efficiency in parameter estimation due to incompleteness in the data has a dual interpretation: the increase in variance when an assumed model is correct; the bias in estimation when the model is incorrect. Examples include non-ignorable missing data, hidden confounders in observational studies and publication bias in meta-analysis. Doubling variances before calculating confidence intervals or test statistics is suggested as a crude way of addressing the possibility of undetectably small departures from the model. The problem of assessing the risk of lung cancer from passive smoking is used as a motivating example.