The Role of Congeniality in Multiple Imputation for Doubly Robust Causal Estimation
多重插补与双重稳健因果估计中的相容性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究缺失混杂变量下的双重稳健处理效应估计，属于因果推断。
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
多重插补与双重稳健因果估计中的相容性
- 研究问题
- 当混杂变量存在缺失时，多重插补模型应如何与倾向得分模型和结果模型配合，才能避免双重稳健处理效应估计出现偏差？
- 方法与思路
- 作者建立多重插补结合双重稳健估计的数学框架，通过理论论证及针对性模拟，研究插补变量选择和函数形式的相容性要求。
- 材料陈述的贡献
- 摘要称，插补模型须纳入两个分析模型中的全部变量以及暴露和结果，并保持相应函数形式；违反要求可能使处理效应估计有偏。
- 阅读关注点
- 应核对缺失机制、相容性的精确定义及理论适用条件，并检查插补步骤如何匹配分析模型，以及有效推断需要哪些额外要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核实。摘要未说明缺失机制及完整正则条件，不能据此判断这些要求适用于所有插补方案。
原文摘要
This paper provides clear and practical guidance on the specification of imputation models when multiple imputation is used in conjunction with doubly robust estimation methods for causal inference. Through theoretical arguments and targeted simulations, we demonstrate that if a confounder has missing data, the corresponding imputation model must include all variables appearing in either the propensity score model or the outcome model, in addition to both the exposure and the outcome, and that these variables must enter the imputation model in the same functional form as in the final analysis. Violating these conditions can lead to biased treatment effect estimates, even when both components of the doubly robust estimator are correctly specified. We present a mathematical framework for doubly robust estimation combined with multiple imputation, establish the theoretical requirements for proper imputation in this setting, and demonstrate the consequences of misspecification through simulation. Based on these findings, we offer concrete recommendations to ensure valid inference when using multiple imputation with doubly robust methods in applied causal analyses.