Estimation of mean response via the effective balancing score
通过有效平衡得分估计响应均值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：摘要明确讨论随机缺失下的响应均值估计，未涉及处理分配或因果效应，因此不足以归入因果推断。
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
通过有效平衡得分估计响应均值
- 研究问题
- 在随机缺失机制下，如何利用高维协变量估计响应均值，同时减轻对缺失机制和响应模型进行具体设定的负担？
- 方法与思路
- 作者通过不依赖具体模型设定的降维构造有效平衡得分，分别保留有关缺失、响应或两者的信息，并据此进行均值估计。
- 材料陈述的贡献
- 摘要称，三类得分可实现一致估计且效率损失很小或没有损失；作者还讨论稳健性、渐近与数值性质，并给出 HIV 研究应用。
- 阅读关注点
- 应核对有效平衡得分的定义与估计步骤、随机缺失之外的必要条件，以及效率损失和稳健性比较所采用的标准与范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；降维条件及稳健性边界未说明，也不能由平衡得分直接推断因果识别。
原文摘要
We introduce effective balancing scores for estimation of the mean response under a missing at random mechanism. Unlike conventional balancing scores, the effective balancing scores are constructed via dimension reduction free of model specification. Three types of effective balancing scores are introduced: those that carry the covariate information about the missingness, the response, or both. They lead to consistent estimation with little or no loss in efficiency. Compared to existing estimators, the effective balancing score based estimator relieves the burden of model specification and is the most robust. It is a near-automatic procedure which is most appealing when high dimensional covariates are involved. We investigate both the asymptotic and the numerical properties, and demonstrate the proposed method in a study on Human Immunodeficiency Virus disease.