Inverse probability weighting with error-prone covariates
含测量误差协变量的逆概率加权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：摘要明确讨论观察性研究中的因果效应、可忽略性及逆概率加权受到测量误差的影响。
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…
含测量误差协变量的逆概率加权
- 研究问题
- 用于处理无应答、删失或观察性因果效应的逆概率加权依赖协变量准确测量；当协变量含误差时，如何一致估计总体均值？
- 方法与思路
- 作者给出若干可使总体均值估计一致的权重函数表达式，并提出从数据估计权重的方法，以处理不完整数据和协变量测量误差。
- 材料陈述的贡献
- 摘要称所构造权重能够得到一致估计，并报告模拟中估计量无偏且方差较小；这些性能陈述限于作者所研究的条件与设定。
- 阅读关注点
- 应核对潜在真实协变量下的可忽略性、测量误差模型、权重识别所需信息，以及均值估计结果如何用于具体因果目标。
- 阅读边界
- 材料为版本未注明的索引摘要；未说明误差分布、辅助数据或识别条件，模拟不能证明一般一致性，不能推断刊本变化。
原文摘要
Inverse probability-weighted estimators are widely used in applications where data are missing due to nonresponse or censoring and in the estimation of causal effects from observational studies. Current estimators rely on ignorability assumptions for response indicators or treatment assignment and outcomes being conditional on observed covariates which are assumed to be measured without error. However, measurement error is common for the variables collected in many applications. For example, in studies of educational interventions, student achievement as measured by standardized tests is almost always used as the key covariate for removing hidden biases, but standardized test scores may have substantial measurement errors. We provide several expressions for a weighting function that can yield a consistent estimator for population means using incomplete data and covariates measured with error. We propose a method to estimate the weighting function from data. The results of a simulation study show that the estimator is consistent and has no bias and small variance.