Local Sensitivity Approximations for Selectivity Bias
选择性偏差的局部敏感性近似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：摘要明确研究可忽略性假设偏离、选择性偏差与观察性比较，直接关联因果推断的敏感性分析。
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
选择性偏差的局部敏感性近似
- 研究问题
- 观察数据推断对可忽略性或随机性假设的小幅偏离有多敏感，能否为选择性偏差造成的变化提供可解释界限？
- 方法与思路
- 作者用 Kullback–Leibler 散度在可忽略性模型周围定义小邻域，比较邻域模型与基准模型的推断差异。
- 材料陈述的贡献
- 摘要称建立推断差异的可解释界限，并讨论缺失数据和观察性比较应用，指出局部近似可用于广泛统计问题。
- 阅读关注点
- 应核对邻域大小及偏离方向的解释、界限针对的推断对象，以及局部展开精度和观察性比较中的假设含义。
- 阅读边界
- 仅据所给 Crossref 摘要版本；局部近似不直接说明大幅假设违背的影响，摘要未给具体条件、数值或刊本变化。
原文摘要
Summary Observational data analysis is often based on tacit assumptions of ignorability or randomness. The paper develops a general approach to local sensitivity analysis for selectivity bias, which aims to study the sensitivity of inference to small departures from such assumptions. If M is a model assuming ignorability, we surround M by a small neighbourhood N defined in the sense of Kullback–Leibler divergence and then compare the inference for models in N with that for M. Interpretable bounds for such differences are developed. Applications to missing data and to observational comparisons are discussed. Local approximations to sensitivity analysis are model robust and can be applied to a wide range of statistical problems.