Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
处理独立缺失假设下非随机缺失混杂变量的因果推断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。
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：摘要明确研究非随机缺失混杂变量下的因果效应识别与平均效应估计，直接属于因果推断方向。
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…
处理独立缺失假设下非随机缺失混杂变量的因果推断
- 研究问题
- 当观察性研究中的混杂变量非随机缺失时，什么条件能够识别因果效应，并据此估计平均因果效应？
- 方法与思路
- 作者假设给定结果及可能缺失的混杂变量后，缺失机制独立于处理；据此研究识别，并提出加权估计方程和三种效应估计量。
- 材料陈述的贡献
- 摘要称建立了相应识别框架，讨论连续和二元结果的常用模型及识别失败反例，并以模拟和健康营养调查数据说明方法。
- 阅读关注点
- 应核对处理独立缺失假设的条件化对象、各模型的识别条件及反例，并检查加权方程与三种效应估计量的差别。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明完整识别条件，不能认为该缺失假设单独保证识别。
原文摘要
Causal inference in observational studies can be challenging when confounders are subject to missingness. Generally, the identification of causal effects is not guaranteed even under restrictive parametric model assumptions when confounders are missing not at random. To address this, We propose a general framework to establish the identification of causal effects when confounders are subject to treatment-independent missingness, which means that the missing data mechanism is independent of the treatment, given the outcome and possibly missing confounders. We give special consideration to commonly-used models for continuous and binary outcomes and provide counterexamples when identification fails. For estimation, we provide a weighted estimation equation estimating method for model parameters and purpose three estimators for the average causal effect based on the estimated models. We evaluate the finite-sample performance of the estimators via simulations. We further illustrate the proposed method with real data sets from the National Health and Nutrition Examination Survey.