Highly Efficient Aggregate Unbiased Estimating Functions Approach for Correlated Data With Missing at Random
随机缺失相关数据的高效聚合无偏估计函数方法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。
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：摘要聚焦相关数据与随机缺失估计，未明确面板结构或因果效应目标。
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
随机缺失相关数据的高效聚合无偏估计函数方法
- 研究问题
- 面对随机缺失的相关数据，如何构造一致且高效的边际模型估计，同时避免估计缺失概率或按假定模型插补响应？
- 方法与思路
- 作者采用聚合无偏估计函数，以完整数据有效得分的最佳线性近似为基础；不要求似然，似然已知时与得分方程等价。
- 材料陈述的贡献
- 摘要称，该方法具有一致性和高效率，区别于逆概率加权与插补，并通过模拟和 HIV 数据比较三种方法。
- 阅读关注点
- 应核对随机缺失及其他一致性条件、完整数据得分近似如何构造，以及无需估计缺失概率的适用范围和效率基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出完整条件或效率数值，不能把相关数据直接认定为面板。
原文摘要
We develop a consistent and highly efficient marginal model for missing at random data using an estimating function approach. Our approach differs from inverse weighted estimating equations (Robins, Rotnitzky, and Zhao 1995) and the imputation method (Paik 1997) in that our approach does not require estimating the probability of missing or imputing the missing response based on assumed models. The proposed method is based on an aggregate unbiased estimating function approach, which does not require the likelihood function; however, it is equivalent to the score equation if the likelihood is known. The aggregate-unbiased approach is based on the best linear approximation of efficient scores from the full dataset. We provide comparisons of the three approaches using simulated data and also a human immunodeficiency virus (HIV) data example.