Augmented transfer regression learning for completely missing covariates
针对协变量完全缺失的增广迁移回归学习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：摘要聚焦跨人群缺失协变量与通用回归估计，未明确涉及因果效应或其他所列细分对象。
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
针对协变量完全缺失的增广迁移回归学习
- 研究问题
- 当目标人群完全没有某些协变量，而相关来源人群观测到这些变量时，如何跨人群估计目标回归关系？
- 方法与思路
- 作者假设缺失协变量给定观测变量的条件分布跨人群不变，将重要性加权估计方程与一、二阶矩插补结合。
- 材料陈述的贡献
- 摘要称，密度比模型正确或两个插补模型均正确可保证一致性，并给出渐近正态性及相应条件下的效率界结论。
- 阅读关注点
- 应核对条件分布不变假设中包含哪些观测变量、跨人群支持集要求，以及双重稳健性、收敛速率和效率结论的条件。
- 阅读边界
- 仅依据所给Crossref在线发表摘要，未提供完整正则条件、样本配置或实证结果；跨人群条件不变假设的可信度需另行评估。
原文摘要
Abstract Large-scale population-level datasets, such as the UK Biobank and the All of Us Research Program, often lack covariates needed for a specific analysis, such as genetic or lifestyle measures, while related studies measure them. This creates a cross-population missing-data problem in which covariates are completely unobserved in the target population, rather than partially missing within one dataset. We propose an augmented transfer regression learning method for this setting. The key identifying condition is a sub-population shift assumption: the joint distribution of the outcome and observed covariates may differ across source and target populations, but the conditional distribution of the missing covariates given observed variables is invariant. We combine importance-weighted estimating equations with imputation terms for first- and second-order moments of the missing covariates. The resulting estimator is doubly robust and remains consistent if either the density ratio model or both imputation models are correctly specified. It is n1/2-consistent and asymptotically normal and attains the semiparametric efficiency bound when both nuisance models are correctly specified.