Doubly robust target inference for generalized linear regression with completely missing covariates
协变量完全缺失时广义线性回归的双重稳健目标总体推断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：摘要属于缺失协变量与总体迁移下的一般回归推断，没有指定因果或面板方向的明确依据。
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
协变量完全缺失时广义线性回归的双重稳健目标总体推断
- 研究问题
- 目标总体完全未观测关键协变量，而相关来源总体观测了这些变量时，如何进行目标总体广义线性回归的有效估计与推断？
- 方法与思路
- 作者假设给定已观测变量后缺失协变量的条件分布跨总体共享，将来源总体的重要性加权估计方程与参数索引条件泛函插补结合。
- 材料陈述的贡献
- 摘要称识别假设成立时，两类辅助模型之一正确即可保证一致性；在正则条件下具有渐近正态性，二者均正确时达到效率界。
- 阅读关注点
- 应核对跨总体条件分布共享的可解释性、参数索引泛函的估计方式，以及双重稳健、一致性和效率各自需要的完整条件。
- 阅读边界
- 依据 arXiv v1 预印本摘要，同行评审及期刊接收未经核实；双重稳健仍依赖跨总体识别假设，完整正则条件及有限样本表现未说明。
原文摘要
Large-scale multipurpose cohort studies and biobanks often omit covariates needed for specific downstream analyses. We study target-population inference for generalized linear regression when key covariates are completely absent from the target data but observed in a related source population. Standard missing covariate methods are not directly applicable because they require at least partial observation of the covariates in the target population. We develop a doubly robust transfer learning framework under a sub-population shift assumption, which allows the distribution of the observed outcome and covariates to differ between populations while requiring the conditional distribution of the missing covariates given the observed variables to be shared. Unlike linear regression, nonlinear target estimating equations require parameter-indexed conditional functionals of the missing covariates rather than a fixed collection of low-order conditional moments. Our estimator combines importance-weighted source estimating equations with imputation of these conditional functionals. Under the identifying assumption, the estimator remains consistent when either the density-ratio model or the conditional-covariate model is correctly specified. Under regularity conditions, it is root-$n$ consistent and asymptotically normal, and attains the semiparametric efficiency bound when both nuisance models are correctly specified.