EFFICIENCY IN ESTIMATION UNDER MONOTONIC ATTRITION
单调样本流失下的有效估计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：摘要明确讨论多期个体研究中的单调退出与样本利用，核心问题直接对应面板数据的样本流失。
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…
单调样本流失下的有效估计
- 研究问题
- 多期研究中的个体退出后不再返回时，在一般随机缺失假设下，如何有效估计由未观测反事实分布的矩条件定义的参数？
- 方法与思路
- 作者分析不同随机缺失假设的信息含量、过度识别和样本可用性，再令有效影响函数的样本对应式为零构造双重稳健估计量。
- 材料陈述的贡献
- 摘要称，研究揭示单调流失下的效率与信息利用问题，并提出标准双重稳健估计量；其在所报告模拟和实证中优于比较方法。
- 阅读关注点
- 应核对随机缺失假设的具体条件集、目标反事实参数、有效影响函数推导，以及双重稳健性的两类模型和样本利用方式。
- 阅读边界
- 仅据所给 Crossref 版本摘要，缺失机制、辅助模型要求和性能差距未说明，不能将比较优势推广至一般情形或其他版本。
原文摘要
Attrition is monotonic when agents leaving multi-period studies do not return. Under a general missing at random (MAR) assumption, we study efficiency in estimation of parameters defined by moment restrictions on the distributions of the counterfactuals that were unrealized due to monotonic attrition. We discuss novel issues related to overidentification, usability of sample units, and the information content of various MAR assumptions for estimation of such parameters. We propose a standard doubly robust estimator for these parameters by equating to zero the sample analog of their respective efficient influence functions. Our proposed estimator performs well and vastly outperforms other estimators in our simulation experiment and empirical illustration.