Identification and Estimation of Causal Effects with Confounders Missing Not at Random
混杂变量非随机缺失时因果效应的识别与估计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。
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：摘要直接研究混杂变量缺失下的因果识别、平均因果效应及双重稳健估计，因果推断是最直接相关的方向。
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…
混杂变量非随机缺失时因果效应的识别与估计
- 研究问题
- 在观察性研究中，混杂变量非随机缺失会妨碍因果识别；什么条件能够恢复识别，并支持平均因果效应估计？
- 方法与思路
- 作者采用与处理无关的缺失假设，提出加权估计方程，并构建回归、倾向得分加权和双重稳健三类效应估计量。
- 材料陈述的贡献
- 摘要称，在所提出的缺失假设下建立因果效应识别，并通过模拟和真实数据分析评估所提出的估计方法。
- 阅读关注点
- 应核对缺失假设具体条件化于哪些变量、识别还需要哪些条件，以及双重稳健估计所依赖的模型组合和推断方法。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别假设、稳健性条件或模拟数值。
原文摘要
Making causal inferences from observational studies can be challenging when confounders are missing not at random. In such cases, identifying causal effects is often not guaranteed. Motivated by a real example, we consider a treatment-independent missingness assumption under which we establish the identification of causal effects when confounders are missing not at random. We propose a weighted estimating equation (WEE) approach for estimating model parameters and introduce three estimators for the average causal effect, based on regression, propensity score weighting, and doubly robust estimation. We evaluate the performance of these estimators through simulations, and provide a real data analysis to illustrate our proposed method.