Nuisance parameter elimination for proportional likelihood ratio models with nonignorable missingness and random truncation
不可忽略缺失与随机截断下比例似然比模型的干扰参数消除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：摘要研究偏倚抽样下的通用回归估计，未明确涉及所列因果、面板或分布效应方向。
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…
关注这篇论文的作者
不可忽略缺失与随机截断下比例似然比模型的干扰参数消除
- 研究问题
- 当样本受到不可忽略缺失或随机双重截断影响时，比例似然比模型如何保留总体目标参数，并消除函数型干扰参数？
- 方法与思路
- 作者利用特定机制下的模型不变性质，最大化消除函数型干扰参数的伪似然，构造具有U统计量结构的估计方程。
- 材料陈述的贡献
- 摘要称可从特定偏倚样本一致估计目标参数，并提出回归系数的得分型检验；模拟显示其小样本效率接近非参数似然估计。
- 阅读关注点
- 应重点核对允许的缺失和截断机制、模型不变性的含义，以及伪似然构造、参数可识别性和得分检验的成立条件。
- 阅读边界
- 材料是版本未注明的索引摘要，只声称适用于某些缺失机制；具体机制未说明，不能推广到任意不可忽略缺失情形。
原文摘要
We show that the proportional likelihood ratio model proposed recently by Luo & Tsai (2012) enjoys model-invariant properties under certain forms of nonignorable missing mechanisms and randomly double-truncated data, so that target parameters in the population can be estimated consistently from those biased samples. We also construct an alternative estimator for the target parameters by maximizing a pseudo-likelihood that eliminates a functional nuisance parameter in the model. The corresponding estimating equation has a U-statistic structure. As an added advantage of the proposed method, a simple score-type test is developed to test a null hypothesis on the regression coefficients. Simulations show that the proposed estimator has a small-sample efficiency similar to that of the nonparametric likelihood estimator and performs well for certain nonignorable missing data problems.