Nonparametric Estimation of Mean Functionals with Data Missing at Random
随机缺失数据下均值泛函的非参数估计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：摘要明确研究非随机观察研究中的均值处理差异，但其因果识别条件仍需核对。
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
随机缺失数据下均值泛函的非参数估计
- 研究问题
- 在调查双重抽样常见的缺失模式下，如何不对缺失机制或联合分布作参数建模，估计总体均值及观察研究中的处理差异？
- 方法与思路
- 作者在随机缺失假设下，通过经验估计缺失模式和核回归构造均值泛函估计量，并推导相关渐近分布。
- 材料陈述的贡献
- 摘要称，方法推广了已有程序，并用渐近相对效率和模拟与成对删除、线性回归比较，显示总体表现可靠。
- 阅读关注点
- 应核对随机缺失涉及哪些变量、缺失模式与核回归的条件，以及观察研究中均值处理差异是否具有因果解释。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；处理差异的因果识别条件和具体效率结果未说明，随机缺失本身不足以确认因果解释。
原文摘要
This article considers a distribution-free estimation procedure for a basic pattern of missing data that often arises from the wellknown double sampling in survey methodology. Without parametric modeling of the missing mechanism or the joint distribution, kernel regression estimators are used to estimate mean functionals through empirical estimation of the missing pattern. A generalization of the method of Cheng and Wei is verified under the assumption of missing at random. Asymptotic distributions are derived for estimating the mean of the incomplete data and for estimating the mean treatment difference in a nonrandomized observational study. The nonparametric method is compared with a naive pairwise deletion method and a linear regression method via the asymptotic relative efficiencies and a simulation study. The comparison shows that the proposed nonparametric estimators attain reliable performances in general.