A Review of Statistical Methods for Handling Nonignorable Missing Data using Instrument Approach
利用工具变量处理不可忽略缺失数据的统计方法综述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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦不可忽略缺失的通用统计识别与半参数方法，未提供对应所列具体领域的充分证据。
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
利用工具变量处理不可忽略缺失数据的统计方法综述
- 研究问题
- 当缺失概率依赖未观测数值时，非响应工具变量或影子变量如何支持模型识别，并减少对完整参数分布设定的依赖？
- 方法与思路
- 作者综述两类半参数框架：参数化数据模型配合非参数响应倾向模型，以及参数化响应倾向模型配合非参数数据模型。
- 材料陈述的贡献
- 摘要称系统梳理工具变量处理不可忽略缺失的统计方法，总结关键进展、方法认识及尚存挑战，而非报告单一新估计量。
- 阅读关注点
- 应核对非响应工具变量与影子变量的定义、两类框架各自的识别限制，以及模型误设、弱识别和实际变量选择问题。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明综述覆盖范围及具体条件，工具变量名称不保证识别成立。
原文摘要
Nonignorable missing data, where the probability of missingness depends on unobserved values, presents a significant challenge in statistical analysis. Traditional methods often rely on strong parametric assumptions that are difficult to verify and may lead to biased estimates if misspecified. Recent advances have introduced the concept of a nonresponse instrument or shadow variable as a powerful tool to enhance model identifiability without requiring full parametric specification. This paper provides a comprehensive review of statistical methods that leverage instrumental variables to address nonignorable missingness, focusing on two predominant semiparametric frameworks: one with a parametric data model and a nonparametric propensity model, and the other with a parametric propensity model and a nonparametric data model. We discuss key developments, methodological insights, and remaining challenges in this rapidly evolving field.