Doubly Robust Weighted Regression for Causal Inference under Confounder Missingness
混杂变量缺失下因果推断的双重稳健加权回归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：摘要明确研究混杂变量缺失下的因果效应估计、倾向得分平衡与双重稳健性。
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
混杂变量缺失下因果推断的双重稳健加权回归
- 研究问题
- 当观察研究中的混杂变量部分缺失时，如何在缺失指示框架中结合处理与结果模型，降低单一模型误设对因果效应估计的影响？
- 方法与思路
- 作者提出缺失指示加权最小二乘估计，将倾向得分平衡权重融入结果回归，同时纳入混杂变量与缺失指示，并进行模拟分析。
- 材料陈述的贡献
- 摘要称，在缺失相关处理分配强可忽略性及指定条件独立结构下，处理或结果模型至少一个正确即可一致，模拟支持其偏差与覆盖表现。
- 阅读关注点
- 应核对强可忽略性和两类条件独立结构的精确定义、部分观测混杂的表示方法，以及平衡权重与三明治方差的适用条件。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。双重稳健性仍依赖所述结构假设；应用使用仿照肾功能研究的模拟数据，非真实数据验证。
原文摘要
Missingness in confounders is common in observational studies and presents substantial challenges for causal effect estimation by weakening identification and increasing sensitivity to model misspecification. Within the missing-indicator framework, existing approaches typically rely on a single working model and achieve consistency only when that model is correctly specified and are therefore singly robust. In this article, we develop a doubly robust missing indicator weighted ordinary least squares (MI-WOLS) estimator with partially observed confounders. The proposed method integrates propensity score-based weighting into outcome regression under missing-indicator data representation, yielding a class of balancing weights that account for both confounders and their missingness indicators. Under the missingness-strongly-ignorable treatment allocation assumption and assuming either a Conditionally Independent Treatment or Conditionally Independent Outcome structure, the MI-WOLS estimator is consistent when at least the treatment or the outcome model is correctly specified. Simulation studies support the theoretical robustness of the MI-WOLS estimator, demonstrating negligible bias, accurate sandwich-based variance estimation, and near-nominal coverage probability across a wide range of data-generating scenarios. An illustrative application using simulated data designed to reflect a real-world kidney function study further demonstrates the interpretability and practical feasibility of the method, offering a flexible, doubly robust alternative to existing singly robust estimators.