Efficient Augmented Inverse Probability Weighted Estimation in Missing Data Problems
缺失数据问题中高效的增广逆概率加权估计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：摘要聚焦一般缺失数据下的估计与效率，未明确涉及因果效应、面板或其他所列专门方向，因此不作细分类。
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
缺失数据问题中高效的增广逆概率加权估计
- 研究问题
- 在缺失数据问题中，如何结合倾向得分与回归模型，利用不完整观测的信息，并兼顾模型误设下的稳健性与估计效率？
- 方法与思路
- 作者提出将倾向得分函数与回归模型最优结合的增广逆概率加权估计方程；摘要未交代最优组合的具体构造。
- 材料陈述的贡献
- 摘要称该方程具有双重稳健性和局部半参数效率，并解析展示某些情形下相对竞争方法的效率改进；模拟支持其有限样本表现。
- 阅读关注点
- 核对缺失机制与可识别条件、最优组合的定义、局部效率对应的模型，以及解析和模拟比较中竞争估计量的设定。
- 阅读边界
- 摘要未说明缺失机制、识别条件及局部效率成立的前提；对任一模型误设的稳健性不能推及两个模型同时误设。
原文摘要
When analyzing data with missing data, a commonly used method is the inverse probability weighting (IPW) method, which reweights estimating equations with propensity scores. The popularity of the IPW method is due to its simplicity. However, it is often being criticized for being inefficient because most of the information from the incomplete observations is not used. Alternatively, the regression method is known to be efficient but is nonrobust to the misspecification of the regression function. In this article, we propose a novel way of optimally combining the propensity score function and the regression model. The resulting estimating equation enjoys the properties of robustness against misspecification of either the propensity score or the regression function, as well as being locally semiparametric efficient. We demonstrate analytically situations where our method leads to a more efficient estimator than some of its competitors. In a simulation study, we show the new method compares favorably with its competitors in finite samples. Supplementary materials for this article are available online.