Measuring the Impact of Missingness in Traffic Stop Data
衡量交通拦查数据中缺失信息的影响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：摘要明确将缺失敏感性分析用于平均处理效应的锐界及偏误评估，因此与因果推断直接相关。
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
衡量交通拦查数据中缺失信息的影响
- 研究问题
- 交通拦查记录中的缺失如何依赖关键变量，尤其种族信息缺失的不同假设，会怎样改变偏误评估及相关效应界？
- 方法与思路
- 作者量化并可视化跨数据集的缺失趋势，随后开展敏感性分析，扩展结果检验与平均处理效应的锐界分析。
- 材料陈述的贡献
- 摘要称，数据并非完全随机缺失；对未记录种族观测作不同假设，能够显著改变偏误计算，并讨论方法的推广。
- 阅读关注点
- 应核对排除完全随机缺失的证据、缺失假设的参数化方式，以及结果检验和锐界分析各自依赖的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未交代插补不可行的具体依据，不能推广为所有插补均不适用。
原文摘要
In this article we explore the data available through the Stanford Open Policing Project. The data consist of information on millions of traffic stops across close to 100 different cities and highway patrols. Using a variety of metrics, we identify that the data is not missing completely at random. Furthermore, we develop ways of quantifying and visualizing missingness trends for different variables across the data sets. Because of the way we have identified the missingness dependence on key variables, imputation is not possible and a sensitivity analysis is required. We perform a sensitivity analysis to extend work done on the outcome test as well as to extend work done on sharp bounds on the average treatment effect. We demonstrate that bias calculations can fundamentally shift depending on the assumptions made about the observations for which the race variable has not been recorded. We suggest ways that our missingness sensitivity analysis can be extended to myriad contexts.