Estimation with missing data: beyond double robustness
缺失数据估计：超越双重稳健性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：摘要研究缺失响应下的总体均值估计，倾向得分用于缺失机制，未明确涉及处理效应或因果推断。
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…
缺失数据估计：超越双重稳健性
- 研究问题
- 在响应变量可忽略缺失的情况下，如何利用多个倾向得分模型和结果回归模型，使总体均值估计容忍更多模型误设？
- 方法与思路
- 作者对完整观测个体采用非逆概率形式的权重，并同时纳入多个倾向得分与结果回归模型来构造总体均值估计量。
- 材料陈述的贡献
- 摘要称任一候选模型正确即可保证一致性；若一个倾向得分模型与一个结果模型正确，则达到半参数效率界。
- 阅读关注点
- 应核对可忽略缺失及其他正则条件、权重构造、多个模型的组合方式，以及效率结论是否受候选模型数量影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；权重公式、正则条件与有限样本表现未说明，多重稳健结论仍以相应模型正确为前提。
原文摘要
We propose an estimator that is more robust than doubly robust estimators, based on weighting complete cases using weights other than inverse probability when estimating the population mean of a response variable subject to ignorable missingness. We allow multiple models for both the propensity score and the outcome regression. Our estimator is consistent if any of the multiple models is correctly specified. Such multiple robustness against model misspecification is a significant improvement over double robustness, which allows only one propensity score model and one outcome regression model. Our estimator attains the semiparametric efficiency bound when one propensity score model and one outcome regression model are correctly specified, without requiring knowledge of which models are correct.