Semiparametric inverse propensity weighting for nonignorable missing data
不可忽略缺失数据的半参数逆倾向加权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：摘要以工具变量解决不可忽略缺失下的总体参数识别，未明确估计因果效应，亦不足以对应其他所列细分。
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…
不可忽略缺失数据的半参数逆倾向加权
- 研究问题
- 在半参数指数倾斜缺失模型中，如何不依赖已知倾斜参数或外部数据，识别缺失倾向并估计未知总体参数？
- 方法与思路
- 作者引入与研究变量相关、与缺失倾向无关的工具变量，以核估计剖面化非参数部分，再用广义矩估计倾斜参数并逆倾向加权。
- 材料陈述的贡献
- 摘要称，该方法解除倾斜参数须已知或由外部数据估计的限制，建立估计量的一致性与渐近正态性，并提供模拟和应用。
- 阅读关注点
- 应核对工具变量限制的准确表述与识别作用、剖面矩条件及核估计要求，以及估计倾向后总体参数推断的方差处理。
- 阅读边界
- 依据所给 Crossref 摘要；工具变量条件、识别强度及渐近假设未展开，不能判断具体资料能否识别，也不能推断刊本变化。
原文摘要
Abstract To estimate unknown population parameters based on data having nonignorable missing values with a semiparametric exponential tilting propensity, Kim & Yu (2011) assumed that the tilting parameter is known or can be estimated from external data, in order to avoid the identifiability issue. To remove this serious limitation on the methodology, we use an instrument, i.e., a covariate related to the study variable but unrelated to the missing data propensity, to construct some estimating equations. Because these estimating equations are semiparametric, we profile the nonparametric component using a kernel-type estimator and then estimate the tilting parameter based on the profiled estimating equations and the generalized method of moments. Once the tilting parameter is estimated, so is the propensity, and then other population parameters can be estimated using the inverse propensity weighting approach. Consistency and asymptotic normality of the proposed estimators are established. The finite-sample performance of the estimators is studied through simulation, and a real-data example is also presented.