Efficient restricted estimators for conditional mean models with missing data
缺失数据条件均值模型的高效受限估计量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。
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：摘要研究通用缺失数据与条件均值估计，未明确因果、面板或其他所列细分研究对象。
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
缺失数据条件均值模型的高效受限估计量
- 研究问题
- 响应或解释变量因两阶段抽样或未响应而缺失时，如何在增广逆概率加权估计量的不同函数限制下提高渐近效率？
- 方法与思路
- 作者新增对粗化数据函数向量施加有限维限制的第三类估计量，以非参数及经验似然构造新估计量，并提出混合策略。
- 材料陈述的贡献
- 摘要称，新估计量在第一类中渐近最优；混合策略还能在第二或第三类中局部最优，并以模拟和真实数据展示其中一种方案。
- 阅读关注点
- 应核对两类函数向量的角色、缺失机制和最优性的比较范围，尤其区分受限类别内渐近最优与局部最优的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；缺失假设、局部最优定义和数值结果未说明，不能推广为无条件效率优势。
原文摘要
Consider a conditional mean model with missing data on the response or explanatory variables due to two-phase sampling or nonresponse. Robins et al. (1994) introduced a class of augmented inverse-probability-weighted estimators, depending on a vector of functions of explanatory variables and a vector of functions of coarsened data. Tsiatis (2006) studied two classes of restricted estimators, class 1 with both vectors restricted to finite-dimensional linear subspaces and class 2 with the first vector of functions restricted to a finite-dimensional linear subspace. We introduce a third class of restricted estimators, class 3, with the second vector of functions restricted to a finite-dimensional subspace. We derive a new estimator, which is asymptotically optimal in class 1, by the methods of nonparametric and empirical likelihood. We propose a hybrid strategy to obtain estimators that are asymptotically optimal in class 1 and locally optimal in class 2 or class 3. The advantages of the hybrid, likelihood estimator based on classes 1 and 3 are shown in a simulation study and a real-data example.