Causal inference with confounders missing not at random
混杂变量非随机缺失下的因果推断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：摘要直接研究非随机缺失混杂变量下的因果效应识别与估计，明确属于因果推断。
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…
混杂变量非随机缺失下的因果推断
- 研究问题
- 混杂变量存在非随机缺失时，通常难以识别因果效应；在给定处理和混杂变量后缺失与结果独立能否支持识别？
- 方法与思路
- 作者以结果独立的缺失机制建立因果效应非参数识别框架，并提出非参数两阶段最小二乘估计量及参数估计量。
- 材料陈述的贡献
- 摘要称为非随机缺失混杂变量下的因果效应提供新的非参数识别框架，并给出两类估计途径，而非仅处理随机缺失。
- 阅读关注点
- 应核对结果独立缺失的条件含义、识别是否还需其他限制，以及两阶段最小二乘的构造和参数估计的模型要求。
- 阅读边界
- 仅据所给Crossref摘要，结果独立之外的识别条件和估计量性质未说明，不能认定这一缺失限制单独即可充分识别。
原文摘要
Summary It is important to draw causal inference from observational studies, but this becomes challenging if the confounders have missing values. Generally, causal effects are not identifiable if the confounders are missing not at random. In this article we propose a novel framework for nonparametric identification of causal effects with confounders subject to an outcome-independent missingness, which means that the missing data mechanism is independent of the outcome, given the treatment and possibly missing confounders. We then propose a nonparametric two-stage least squares estimator and a parametric estimator for causal effects.