Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
结果缺失下的设计型因果推断：缺失机制、插补随机化检验与协变量调整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：摘要核心是缺失结果下的设计型因果检验与置信区域；干扰仅作为缺失机制中的允许因素，因此优先归入因果推断。
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
结果缺失下的设计型因果推断：缺失机制、插补随机化检验与协变量调整
- 研究问题
- 随机实验结果存在缺失时，如何开展具有有限总体有效性的随机化检验，并在插补模型错误或复杂缺失机制下控制第一类错误？
- 方法与思路
- 作者提出一般缺失机制及插补后再插补的随机化检验框架，并扩展到协变量调整与缺失结果下的有限总体置信区域。
- 材料陈述的贡献
- 摘要称在提出的缺失机制下，即使插补模型错设，或机制包含未观测协变量与干扰，框架仍能精确控制有限总体第一类错误率。
- 阅读关注点
- 应核对缺失机制施加的限制、检验零假设的具体形式，以及插补与再插补的随机化步骤和置信区域反演的有效性条件。
- 阅读边界
- 本文为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列缺失机制条件，所称稳健性不能理解为对任意结果缺失均有效。
原文摘要
Design-based causal inference, also known as randomization-based or finite-population causal inference, is one of the most widely used causal inference frameworks, largely due to the merit that its validity can be guaranteed by study design (e.g., randomized experiments) and does not require assuming specific outcome-generating distributions or super-population models. Despite its advantages, design-based causal inference can still suffer from other issues, among which outcome missingness is a prevalent and significant challenge. This work systematically studies the outcome missingness problem in design-based causal inference. First, we propose a general and flexible outcome missingness mechanism that can facilitate finite-population-exact randomization tests of no treatment effect. Second, under this general missingness mechanism, we propose a general framework called ``imputation and re-imputation" for conducting randomization tests in design-based causal inference with missing outcomes. We prove that our framework can still ensure finite-population-exact type-I error rate control even when the imputation model was misspecified or when unobserved covariates or interference exist in the missingness mechanism. Third, we extend our framework to conduct covariate adjustment in randomization tests and construct finite-population-valid confidence regions with missing outcomes. Our framework is evaluated via extensive simulation studies and applied to a large-scale randomized experiment.