Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
协变量、处理与结果非可忽略缺失下的条件平均处理效应识别与估计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：摘要以条件平均处理效应的识别、估计及缺失机制敏感性分析为核心，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…
关注这篇论文的作者
协变量、处理与结果非可忽略缺失下的条件平均处理效应识别与估计
- 研究问题
- 在观察性研究中，若协变量、处理状态及结果均可能缺失，且缺失依赖未观测取值，如何识别和估计条件平均处理效应及其异质性？
- 方法与思路
- 作者在允许多个变量非随机缺失的机制下建立条件平均处理效应的非参数识别，提出参数与非参数估计量，并设计缺失假设敏感性分析。
- 材料陈述的贡献
- 摘要称，文章将条件平均处理效应的识别扩展至协变量、处理与结果同时可能非随机缺失的情形，并提供估计与稳健性评估框架。
- 阅读关注点
- 应核对缺失机制的具体限制、因果识别与缺失识别假设如何配合、识别所需观测信息，以及敏感性参数的含义和估计推断程序。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出识别限制，不能将结论理解为任意非随机缺失机制下均可识别。
原文摘要
Treatment effect heterogeneity is central to policy evaluation, social science, and precision medicine, where interventions can affect individuals differently. In observational studies, covariates, treatment, and outcomes are often only partially observed. When missingness depends on unobserved values (missing not at random; MNAR), standard methods can yield biased estimates of the conditional average treatment effect (CATE). This paper establishes nonparametric identification of the CATE under multivariate MNAR mechanisms that allow covariates, treatment, and outcomes to be MNAR. It also develops nonparametric and parametric estimators and proposes a sensitivity analysis framework for assessing robustness to violations of the missingness assumptions.