Graphical Models for Processing Missing Data
用于缺失数据处理的图模型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：摘要聚焦一般缺失数据图模型，未明确涉及给定细分中的因果效应或其他特定经济计量问题。
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
用于缺失数据处理的图模型
- 研究问题
- 传统缺失数据框架在模型透明性、可估计性和可检验性上有哪些局限，图模型能否支持非随机缺失情形下的估计？
- 方法与思路
- 作者以图模型表示多变量依赖关系，讨论一致估计的条件及实施程序，并推导随机缺失与非随机缺失模型的可检验含义。
- 材料陈述的贡献
- 摘要称，图模型方法能够在广泛的缺失数据问题中给出一致估计条件，并为部分非随机缺失情形提供性能保证。
- 阅读关注点
- 阅读全文时应核对图中变量与缺失机制的定义、一致估计条件、可检验限制，以及这些条件如何对应实际数据处理程序。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体图结构、识别条件与性能保证范围未说明，不能推断后续刊本变化。
原文摘要
This article reviews recent advances in missing data research using graphical models to represent multivariate dependencies. We first examine the limitations of traditional frameworks from three different perspectives: transparency, estimability, and testability. We then show how procedures based on graphical models can overcome these limitations and provide meaningful performance guarantees even when data are missing not at random (MNAR). In particular, we identify conditions that guarantee consistent estimation in broad categories of missing data problems, and derive procedures for implementing this estimation. Finally, we derive testable implications for missing data models in both missing at random and MNAR categories.