Verifiable identification condition for nonignorable nonresponse data with categorical instrumental variables
含分类工具变量的不可忽略无应答数据：可核查识别条件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：摘要研究缺失数据模型识别，工具变量的出现本身不足以归入因果处理效应方向。
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…
关注这篇论文的作者
含分类工具变量的不可忽略无应答数据：可核查识别条件
- 研究问题
- 摘要研究结局存在不可忽略缺失时的模型识别，尤其关注分类工具变量下，通常采用的完备性条件可能失效的问题。
- 方法与思路
- 作者提出在难以建立完备性时可使用的识别充分条件，讨论如何利用观测数据核查，并通过数值实验与实证分析展示用途。
- 材料陈述的贡献
- 摘要称所提条件适用于完备性难以证明的情形，并在多种实用模型中易于检查，为不可忽略缺失下的模型识别提供路径。
- 阅读关注点
- 应核对工具或影子变量的具体限制、充分条件的数学形式，以及观测数据核查能否覆盖全部条件和有限样本不确定性。
- 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；摘要未列具体条件，也未声称识别条件本身保证所有估计性质。
原文摘要
We consider a model identification problem in which an outcome variable contains nonignorable missing values. Statistical inference requires a guarantee of the model identifiability to obtain estimators enjoying theoretically reasonable properties such as consistency and asymptotic normality. Recently, instrumental or shadow variables, combined with the completeness condition in the outcome model, have been highlighted to make a model identifiable. However, the completeness condition may not hold even for simple models when the instrument is categorical. We propose a sufficient condition for model identifiability, which is applicable to cases where establishing the completeness condition is difficult. Using observed data, we demonstrate that the proposed conditions are easy to check for many practical models and outline their usefulness in numerical experiments and real data analysis.