Semiparametric Efficient and Robust Estimation of an Unknown Symmetric Population Under Arbitrary Sample Selection Bias
任意样本选择偏差下未知对称总体的半参数有效稳健估计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：摘要研究一般选择偏差下的对称总体估计，未明确涉及处理效应或其他所列计量细分。
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
任意样本选择偏差下未知对称总体的半参数有效稳健估计
- 研究问题
- 由于样本选择偏差无法获得代表性样本时，在不设定总体分布参数形式的情况下，如何估计对称总体的中心和形状？
- 方法与思路
- 作者在允许由数据收集过程决定的任意选择机制的框架下，构造总体中心的一族一致估计量，并识别其中达到效率界的成员。
- 材料陈述的贡献
- 摘要称，所构造中心估计量对总体模型误设稳健，其中有效成员达到最小估计方差，并以理论、模拟和数据例子说明表现。
- 阅读关注点
- 应重点核对选择机制是否已知或可估计、对称性如何支持识别，以及模型误设稳健性的范围和半参数效率界的定义。
- 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；“任意选择机制”不等于无需识别信息，摘要未说明完整识别条件。
原文摘要
We propose semiparametric methods to estimate the center and shape of a symmetric population when a representative sample of the population is unavailable due to selection bias. We allow an arbitrary sample selection mechanism determined by the data collection procedure, and we do not impose any parametric form on the population distribution. Under this general framework, we construct a family of consistent estimators of the center that is robust to population model misspecification, and we identify the efficient member that reaches the minimum possible estimation variance. The asymptotic properties and finite sample performance of the estimation and inference procedures are illustrated through theoretical analysis and simulations. A data example is also provided to illustrate the usefulness of the methods in practice.