Semiparametric Inference for Nonmonotone Missing-Not-at-Random Data: The No Self-Censoring Model
非单调非随机缺失数据的半参数推断：无自我删失模型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：摘要研究一般缺失数据统计泛函，未明确以因果效应、面板或分布效应为目标。
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…
非单调非随机缺失数据的半参数推断：无自我删失模型
- 研究问题
- 多元数据存在非单调、非随机缺失时，无自我删失假设能否识别目标统计泛函，并支持有效且具有稳健性的估计？
- 方法与思路
- 作者结合无自我删失假设与联合密度的优势比参数化，推导半参数效率界，并提出增广逆概率加权估计量。
- 材料陈述的贡献
- 摘要称，该模型可识别目标泛函；存在始终观测的协变量子集时，估计量具有某种双重稳健性，并接受模拟与数据检验。
- 阅读关注点
- 核对无自我删失的正式条件、优势比参数化、识别与效率界推导，以及双重稳健性具体对应哪些辅助模型。
- 阅读边界
- 仅据 Europe PMC／PubMed 索引摘要，稿件版本未注明；假设的可验证性、双重稳健性的模型组合与高维条件未说明。
原文摘要
We study the identification and estimation of statistical functionals of multivariate data missing non-monotonically and not-at-random, taking a semiparametric approach. Specifically, we assume that the missingness mechanism satisfies what has been previously called "no self-censoring" or "itemwise conditionally independent nonresponse," which roughly corresponds to the assumption that no partially-observed variable directly determines its own missingness status. We show that this assumption, combined with an odds ratio parameterization of the joint density, enables identification of functionals of interest, and we establish the semiparametric efficiency bound for the nonparametric model satisfying this assumption. We propose a practical augmented inverse probability weighted estimator, and in the setting with a (possibly high-dimensional) always-observed subset of covariates, our proposed estimator enjoys a certain double-robustness property. We explore the performance of our estimator with simulation experiments and on a previously-studied data set of HIV-positive mothers in Botswana.