Identification and Estimation of Causal Estimands with Missing Not at Random Data
非随机缺失数据下因果目标量的识别与估计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：摘要直接研究非随机缺失下平均处理效应及自然直接、间接效应的识别与估计。
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…
非随机缺失数据下因果目标量的识别与估计
- 研究问题
- 当混杂变量与结局都可能非随机缺失时，需要哪些额外条件才能识别平均处理效应，并进一步识别自然直接效应和间接效应？
- 方法与思路
- 作者针对若干 MNAR 机制利用完备性条件建立识别结果，提出基于 EM 算法的估计方法，并将框架扩展到中介分析。
- 材料陈述的贡献
- 摘要称所提方法在考虑的缺失机制下比完整案例分析和多重插补偏误更低，并应用于教育对抑郁的影响及健康状况的中介作用。
- 阅读关注点
- 应核对各 MNAR 机制的条件独立限制、完备性在具体模型中的含义，以及中介效应所需额外假设、EM 实现和模型错设敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体机制与完整识别条件，较低模拟偏误不能推广为任意 MNAR 数据下有效。
原文摘要
Missing not at random (MNAR) data pose significant challenges for causal inference, particularly when both confounders and the outcome are partially observed. Without additional assumptions beyond those required for causal inference, causal estimands are generally not identifiable under MNAR mechanisms. This paper first develops identification results for the causal estimand, the average treatment effect, under several plausible MNAR mechanisms using completeness conditions, and proposes an estimation approach based on the Expectation-Maximization (EM) algorithm. We further extend this identification and estimation framework to mediation analysis, enabling the estimation of natural direct and indirect effects under MNAR mechanisms. Through extensive simulation studies, we compare the proposed method with two widely used approaches for handling missing data, complete-case analysis and multiple imputation. The results show that the proposed method yields substantially lower bias under the considered MNAR mechanisms. Finally, we apply the proposed approach to NHANES data to estimate the causal effect of education on depression, with health condition as the mediator.