A Method-of-Moments Estimation Procedure for Categorical Quality-of-Life Data with Nonignorable Missingness
不可忽略缺失下分类生活质量数据的矩估计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：摘要讨论分类结局的不可忽略缺失与识别，分类数据本身不足以归入离散选择模型。
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…
不可忽略缺失下分类生活质量数据的矩估计
- 研究问题
- 当临床试验中的分类生活质量数据存在不可忽略缺失时，如何识别模型并估计参数，以降低缺失带来的推断偏差？
- 方法与思路
- 作者针对独立总体的分类数据提出矩估计，假定各总体具有相同缺失机制，并推导模型可识别的充要条件。
- 材料陈述的贡献
- 摘要称，论文提供可识别性充要条件与矩估计程序，应用于乳腺癌试验生活质量数据，并在模拟中比较最大似然估计。
- 阅读关注点
- 阅读全文时应核对共同缺失机制的具体限制、识别条件与观测类别的关系，以及模拟比较中两种估计量的评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出识别条件、模拟优劣或缺失机制异质时的表现，不能认定矩估计更优。
原文摘要
Quality-of-life outcomes collected during clinical trials often have considerable amounts of missing data, which, if not appropriately accounted for, may lead to bias in inferences. We introduce a method-of-moments (MM) estimating procedure for a model designed to handle nonignorable missingness arising in categorical data measured on independent populations. The missingness mechanism is assumed to be the same across the populations. We derive necessary and sufficient conditions for the identifiability of the model and fit the model to quality-of-life data collected as part of a breast cancer clinical trial. We compare the MM estimator to the maximum likelihood estimator in a simulation study.