Sensitivity to missing data assumptions: Theory and an evaluation of the U.S. wage structure
对缺失数据假设的敏感性：理论与美国工资结构评估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：摘要明确研究条件分布、条件分位数界限及收入分布不同位置的敏感性。
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
对缺失数据假设的敏感性：理论与美国工资结构评估
- 研究问题
- 关于条件收入分布与教育回报的经验结论，在缺失机制偏离随机缺失假设时有多稳健，且敏感性是否随分位点变化？
- 方法与思路
- 作者以缺失与观测结果分布间的最大 Kolmogorov–Smirnov 距离度量选择程度，推导条件分位数近似的尖锐界限并使用加权 bootstrap。
- 材料陈述的贡献
- 摘要称，方法提供随选择程度变化的界限与推断；美国人口普查应用显示，不同时期和分位点的教育回报结论敏感性不同。
- 阅读关注点
- 应核对距离指标如何约束缺失分布、条件分位数近似的目标定义，以及界限与加权 bootstrap 推断如何用于敏感性判断。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；可接受的选择程度和具体稳健性阈值未说明，工资结构结果也不能自动解释为教育的因果效应。
原文摘要
This paper develops methods for assessing the sensitivity of empirical conclusions regarding conditional distributions to departures from the missing at random (MAR) assumption.We index the degree of nonignorable selection governing the missing data process by the maximal Kolmogorov-Smirnov distance between the distributions of missing and observed outcomes across all values of the covariates.Sharp bounds on minimum mean square approximations to conditional quantiles are derived as a function of the nominal level of selection considered in the sensitivity analysis and a weighted bootstrap procedure is developed for conducting inference.Using these techniques, we conduct an empirical assessment of the sensitivity of observed earnings patterns in U.S. Census data to deviations from the MAR assumption.We find that the well documented increase in the returns to schooling between 1980 and 1990 is relatively robust to deviations from the missing at random assumption except at the lowest quantiles of the distribution, but that conclusions regarding heterogeneity in returns and changes in the returns function between 1990 and 2000 are very sensitive to departures from ignorability.