A General Approach for Calibration Weighting under Missing at Random
缺失随机下校准加权的一般方法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：摘要围绕缺失随机下的加权估计、双稳健与倾向得分/结果回归，属于因果推断中的缺失数据与加权估计问题。
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
缺失随机下校准加权的一般方法
- 研究问题
- 摘要称，研究如何在缺失随机（MAR）数据下构造更稳定、更有效的校准加权估计，并统一熵类方法与广义回归加权。
- 方法与思路
- 作者提出广义熵校准（GEC），把权重构造写成凸优化问题；通过加入与倾向得分模型相关的去偏约束和 Neyman 正交约束实现双稳健，并给出 Bregman 投影的几何刻画与高维软校准扩展。
- 材料陈述的贡献
- 摘要称 GEC 统一了基于熵的方法与广义回归加权，在结果回归正确设定时可得到最优校准估计；还给出广义勾股恒等式与嵌套分解，并发展出保持双稳健推断的高维扩展。
- 阅读关注点
- 应核对双稳健与 Neyman 正交所需的正则条件、熵函数选择如何影响最优性、Bregman 投影与嵌套分解的证明前提，以及高维软校准下推断的渐近性质。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；不能据此声称已同行评审或期刊接收，摘要未说明模拟设定、数据来源与具体数值结果。
原文摘要
We propose a unified class of calibration weighting methods based on weighted generalized entropy to handle missing at random (MAR) data with improved stability and efficiency. The proposed generalized entropy calibration (GEC) formulates weight construction as a convex optimization program that unifies entropy-based approaches and generalized regression weighting. Double robustness is achieved by augmenting standard covariate balancing with a debiasing constraint tied to the propensity score model and a Neyman-orthogonal constraint that removes first-order sensitivity to nuisance estimation. Selection of the weights on the entropy function can lead to the optimal calibration estimator under a correctly specified outcome regression model. The proposed GEC weighting ha a nice geometric characterization: the GEC solution is the Bregman projection of the initial weights onto a constraint set, which yields a generalized Pythagorean identity and a nested decomposition that quantifies the incremental distance paid for additional constraints. We also develop a high-dimensional extension with soft calibration and a projection calibration constraint that preserves doubly robust inference. Two simulation studies are presented to compare the performance of the proposed method with the existing methods.