A Versatile Estimation Procedure Without Estimating the Nonignorable Missingness Mechanism
无需估计非可忽略缺失机制的通用估计程序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：摘要聚焦非可忽略缺失下的回归估计，未明确研究因果效应、面板或其他所列细分问题。
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
无需估计非可忽略缺失机制的通用估计程序
- 研究问题
- 作者研究回归结果变量存在非可忽略缺失时，如何借助影子变量实现识别，并在不建模缺失机制的情况下完成参数估计。
- 方法与思路
- 作者基于影子变量识别思路提出绕过缺失机制建模的估计程序，推导渐近理论，并考察不同情境下的其他估计方法。
- 材料陈述的贡献
- 摘要称该估计程序易于实施，给出了渐近理论，并通过模拟及儿童心理健康研究展示有限样本表现和应用价值。
- 阅读关注点
- 应核对影子变量需要满足的识别条件、估计程序仍需建模的对象，以及替代估计量适用情境与缺失程度对表现的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；影子变量的具体条件和可检验性未说明，绕过缺失机制建模并不意味着无需识别假设。
原文摘要
We consider the estimation problem in a regression setting where the outcome variable is subject to nonignorable missingness and identifiability is ensured by the shadow variable approach. We propose a versatile estimation procedure where modeling of missingness mechanism is completely bypassed. We show that our estimator is easy to implement and we derive the asymptotic theory of the proposed estimator. We also investigate some alternative estimators under different scenarios. Comprehensive simulation studies are conducted to demonstrate the finite sample performance of the method. We apply the estimator to a children’s mental health study to illustrate its usefulness.