Nonignorable Missing Data, Single Index Propensity Score and Profile Synthetic Distribution Function
不可忽略缺失数据、单指标倾向得分与剖面合成分布函数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：摘要研究非随机缺失下的通用半参数估计，未交代具体微观、宏观或金融应用，现有文本不足以选定领域细分。
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…
不可忽略缺失数据、单指标倾向得分与剖面合成分布函数
- 研究问题
- 非随机缺失下，响应概率与结果分布在似然中混杂时，能否放宽响应概率的有限维参数化设定并实现估计？
- 方法与思路
- 作者采用函数形式未指定的单指标响应概率模型，通过剖面化含未知响应概率的合成分布函数来构造伪似然。
- 材料陈述的贡献
- 摘要称，伪似然估计具有渐近正态性，模拟中与既有方法相比表现较好，并放宽了响应概率的参数化限制。
- 阅读关注点
- 阅读全文时应核对未知响应概率与结果分布如何区分、单指标设定的约束，以及伪似然构造和渐近推断条件。
- 阅读边界
- 摘要未说明识别所需的附加信息、结果模型限制、标准误计算及模拟设计，无法据此判断该方法的实际适用范围。
原文摘要
In missing data problems, missing not at random is difficult to handle since the response probability or propensity score is confounded with the outcome data model in the likelihood. Existing works often assume the propensity score is known up to a finite dimensional parameter. We relax this assumption and consider an unspecified single index model for the propensity score. A pseudo-likelihood based on the complete data is constructed by profiling out a synthetic distribution function that involves the unknown propensity score. The pseudo-likelihood gives asymptotically normal estimates. Simulations show the method compares favorably with existing methods.