A Doubly Robust GMM Estimator for Sequential Non-monotone Missingness
序贯非单调缺失下的双重稳健 GMM 估计量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：摘要将缺失数据估计方法用于医保实验的政策效应估计，明确涉及处理效应的因果应用。
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
序贯非单调缺失下的双重稳健 GMM 估计量
- 研究问题
- 两个变量依次收集且出现非单调缺失时，如何允许不同阶段的缺失机制依赖不同信息，并有效估计矩条件中的参数？
- 方法与思路
- 作者提出序贯 MAR 假设，构造具有非对称增广项的 AIPW-GMM 估计量，并应用于俄勒冈医保实验的两期调查。
- 材料陈述的贡献
- 摘要称，估计量具有双重稳健性并达到半参数效率界；应用中老年群体效应估计的标准误下降超过一半。
- 阅读关注点
- 全文应核对序贯 MAR 使用哪些已观测信息、双重稳健性对应哪些模型组合，以及效率界与应用显著性变化的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；可观测含义得到支持不等于完整缺失假设已验证，精度改善也未必能普遍复制。
原文摘要
We study moment-based estimation with two sequentially collected variables subject to non-monotone missingness. The commonly used Missing at Random (MAR) assumption requiring all missingness mechanisms to depend on the same fully observed covariates often fails in such cases. We introduce a sequential MAR assumption that allows asymmetric missingness mechanisms across stages. Based on this assumption, we construct an Augmented Inverse-Probability-Weighted GMM (AIPW-GMM) estimator. The estimator features an asymmetric structure for the augmentation term, guarantees double robustness, and achieves the closed-form semiparametric efficiency bound. An application to two-period survey data from the Oregon Health Insurance Experiment supports the observable implications of the new assumption. The proposed approach reduces the standard errors by more than 50% for the estimated effects of the Oregon Health Plan among older adults, "driving" previously statistically insignificant estimates significant.