Graphical Models of Entangled Missingness
纠缠缺失的图模型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：摘要明确提出存在数据依赖和缺失干扰时的因果识别框架，对应因果推断及网络与干扰，但未要求特定网络结构。
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…
纠缠缺失的图模型
- 研究问题
- 当数据单位存在依赖，且缺失过程可能相互影响时，如何建立图模型并判断因果推断所需目标分布是否可识别？
- 方法与思路
- 作者区分目标分布依赖、缺失过程依赖和缺失干扰三类纠缠，用图模型分别处理，并通过合成数据展示框架的应用。
- 材料陈述的贡献
- 摘要称给出三类情形的可靠且完备识别结果，前两类可扩展既有缺失模型，缺失干扰则需要新的处理方法。
- 阅读关注点
- 应核对三类依赖的图形定义、识别结果覆盖的模型和目标，以及缺失干扰与通常单位间因果干扰之间的具体关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列明图模型限制，所称完备识别不能直接理解为任意依赖均可识别。
原文摘要
Despite the growing interest in causal and statistical inference for settings with data dependence, few methods currently exist to account for missing data in dependent data settings; most classical missing data methods in statistics and causal inference treat data units as independent and identically distributed (i.i.d.). We develop a graphical modeling based framework for causal inference in the presence of entangled missingness, defined as missingness with data dependence. We distinguish three different types of entanglements that can occur, supported by real-world examples. We give sound and complete identification results for all three settings. We show that existing missing data models may be extended to cover entanglements arising from (1) target law dependence and (2) missingness process dependence, while those arising from (3) missingness interference require a novel approach. We demonstrate the use of our entangled missingness framework on synthetic data. Finally, we discuss how, subject to a certain reinterpretation of the variables in the model, our model for missingness interference extends missing data methods to novel missing data patterns in i.i.d. settings.