Semiparametric logistic regression for inference on relative vaccine efficacy in case-only studies with informative missingness
本文提出半参数逻辑回归方法，在仅病例研究中处理病毒株类型信息性缺失，利用目标最大似然估计和机器学习推断亚组特异性相对疫苗效力，并应用于ENSEMBLE COVID-19试验。
2025-03-11 stat.ME
Missing at Random or Not: A Semiparametric Testing Approach
缺失数据的实际问题是常见的，并且已经开发了关于统计程序的有效性和/或效率的统计方法。作为一个中心焦点，人们对管理数据丢失的机制一直很感兴趣，正确决定适当的机制对于进行适当的实际调查至关重要。传统的概念包括三种常见的潜在类别--完全随机缺失、随机缺失和非随机缺失。本文提出了一种新的假设检验方法，用于判别随机缺失和非随机缺失。由于随机缺失的潜在替代方案是广泛的，我们集中我们的调查与工具变量的数据非随机缺失的一般类模型。我们的设置是广泛适用的，这要归功于关于缺失数据的模型是非参数的，不需要对数据缺失进行明确的模型规范。其基本思想是发展适当的差异措施之间的估计，其性质显着不同，只有当随机缺失不成立。我们表明，我们的新的假设检验方法实现了一个客观的数据导向的选择之间的随机缺失或没有。通过理论分析、仿真研究和实际数据分析，证明了新测试的可行性、有效性和有效性。
2020-03-25 econ.EM stat.ME
Semiparametric Estimation with Data Missing Not at Random Using an Instrumental Variable
缺失数据经常出现在健康和社会科学的实证研究中，经常损害我们做出准确推断的能力。如果在观察到的变量的条件下，缺失数据机制仍然取决于未观察到的结果，则称结果为非随机缺失（MNAR）。在这种情况下，如果不施加额外的假设，一般是不可能识别的。然而，如果对所有受试者都观察到一个工具变量（IV），并且该变量满足排除限制，即IV影响缺失过程而不直接影响结果，则有时可以识别。在本文中，我们提供了必要和充分条件下的MNAR的援助下的全数据分布的非参数识别的IV。此外，我们给出了充分的识别条件，更直接的在实践中验证。对于推断，我们专注于估计的人口结果的意思，我们开发了一套半参数估计，扩展以前开发的数据随机随机缺失的方法。具体地说，我们提出了逆概率加权估计，基于结果回归的估计和双重稳健估计的平均结果受到MNAR。为了说明，该方法被用来考虑选择偏见引起的艾滋病毒检测拒绝在莫丘迪，博茨瓦纳的艾滋病毒血清阳性率的评价，使用面试官的特点，如性别，年龄和多年的经验作为IV。
2017-01-17 stat.ME
Sufficient Identification Conditions and Semiparametric Estimation under Missing Not at Random Mechanisms
针对非随机缺失数据的分析难题，本文提出一种限制更宽松、允许所有变量缺失的MNAR模型，推导了其完全数据分布与缺失机制可识别的充分条件，还提出两种半参数比值比估计方法并通过模拟验证了效用。
2023-06-10 stat.ME stat.ML
Semiparametric response model with nonignorable nonresponse
在缺失数据的统计分析中，如何处理不可解释的响应是一个具有挑战性的问题。响应机制的参数模型假设经常被做出，并且没有办法用缺失数据来验证模型假设。我们考虑一个半参数响应模型，放松了响应机制中的参数模型假设。本文提出了两类有效的估计量：剖面极大似然估计量和剖面校正估计量，并研究了它们的渐近性质。两个广泛的模拟研究与现有的一些方法进行比较。我们提出了一个应用程序，我们的方法使用韩国劳动和收入面板调查数据。
2018-10-30 stat.ME
Two-step semiparametric empirical likelihood inference from capture-recapture data with missing covariates
针对捕获-重捕获数据中协变量随机缺失且可为连续或离散变量的问题，基于Binomial和Poisson回归提出两步半参数经验似然方法进行丰度估计，证明了估计量的渐近正态性与高效性，并扩展至1膨胀计数回归模型，模拟与实例分析验证了其优越性。
2025-07-14 stat.ME
Semiparametric model averaging for high-dimensional quantile regression with nonignorable nonresponse
针对不可忽略缺失下的高维分位数回归，提出半参数模型平均方法，通过缺失机制估计与候选模型加权实现渐近最优。
2025-08-30 stat.ME
Semiparametric Efficient Empirical Higher Order Influence Function Estimators
Institute of Natural Sciences, MOE-LSC, School of Mathematical Sciences, CMA-Shanghai and SJTU-Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学自然学院、教育部数学科学中心、CMA-上海和上海交通大学-耶鲁生物统计与数据科学联合中心）；Department of Biostatistics, Harvard University（哈佛大学生物统计系）；Department of Economics, Massachusetts Institute of Technology（麻省理工学院经济学系）；Department of Epidemiology and Biostatistics, Harvard University（哈佛大学流行病学与生物统计系）
本文提出一种无需光滑性假设的半参数高效经验高阶影响函数估计器，适用于缺失数据模型中的均值估计。
2026-01-26 math.ST stat.TH
Robust location estimation with missing data
在缺失数据设置中，我们有一个样本，其中每个受试者i都观察到解释变量x_i的向量，而标量结果y_i在某些个体上偶然缺失。在这项工作中，我们提出了强大的估计分布的响应，假设随机缺失（MAR）数据，在半参数回归模型。我们的方法允许一致的估计的任何弱连续功能的响应的分布。特别是，强相合估计的任何连续的位置功能，如中位数或MM泛函，建议。回归模型的稳健拟合与位置泛函的稳健性质相结合，产生了用于估计位置参数的稳健配方。通过拟定程序的击穿点对耐用性进行量化。位置估计的渐近分布也来自。
2010-09-17 math.ST stat.TH
Semiparametric Optimal Estimation With Nonignorable Nonresponse Data
当认为应答机制不是随机随机缺失（NMAR）时，有效分析需要比标准统计方法更强的应答机制假设。半参数估计已开发的模型假设下的响应机制。本文提出了一种新的统计检验方法，在不使用任何工具变量的情况下保证模型的可辨识性。此外，我们开发了最优半参数估计的参数，如人口的平均值。具体来说，我们提出了两个半参数最优估计，不需要任何模型假设以外的响应机制。估计的渐近性质进行了讨论。一个广泛的模拟研究与现有的一些方法进行比较。我们提出了一个应用程序，我们的方法使用韩国劳动和收入面板调查数据。
2020-05-07 stat.ME
Semiparametric Efficient Inference under Non-Informative Complex Survey Designs
Iowa State University（爱荷华州立大学）
本文针对复杂调查设计下的半参数有效推断，提出统一理论框架，证明效率仅依赖极限包含概率，并给出交叉拟合估计量达到效率界限的条件，且通过模拟和实际数据验证。
2026-09-16 math.ST stat.ME stat.TH
A Simple and Efficient Estimation Method for Models with Nonignorable Missing Data
本文针对Morikawa and Kim（2016）研究的具有不可消除缺失数据的模型提出了一种简单有效的估计方法。他们的半参数有效估计需要明确的非参数估计，因此遭受的维数灾难，并需要一个带宽选择。我们提出了一种基于广义矩量法（以下简称GMM）的估计方法。我们的方法是一致的，渐近正常的，无论选择的矩的数量。此外，如果矩的数量适当增加，我们的估计可以达到Morikawa和Kim（2016）中推导的半参数有效界，但在较弱的正则条件下。此外，我们提出的估计和一致的协方差阵很容易计算与广泛使用的GMM包。我们提出了两种基于数据的方法来选择矩的数量。一个小规模的模拟研究表明，所提出的估计确实优于现有的替代品在有限的样本。
2018-01-12 stat.ME
Weighted empirical likelihood for quantile regression with nonignorable missing covariates
本文提出了协变量不可分离的分位数回归模型中回归参数的经验似然加权估计。建议的估计是计算简单，实现半参数效率，如果完全观察到的变量的缺失概率被正确指定。理论上量化了所提出的估计器相对于完整案例分析估计器的效率增益，并通过仿真和真实数据应用进行了说明。
2017-10-07 stat.ME
Full-semiparametric-likelihood-based inference for non-ignorable missing data
在过去的几十年里，缺失数据问题得到了广泛的研究，重点是可验证的缺失情况，其中缺失概率仅取决于可观测量。相比之下，对不可解释的缺失数据问题的研究相当有限。解决这类问题的主要困难在于，在似然表示中，缺失概率和回归似然函数纠缠在一起，并且即使在强参数模型假设下，模型参数也可能无法识别。本文讨论了一类不可估计缺失数据的半参数模型，提出了一种极大全半参数似然估计方法，它是参数条件似然和边际非参数有偏抽样似然的有效组合。额外的边际似然贡献不仅可以产生效率增益，而且可以识别潜在的模型参数，而无需额外的假设。我们进一步表明，所提出的估计的基本参数和响应均值是半参数有效的。大量的模拟和实际数据分析表明，该方法的优势，竞争的方法。
2019-08-04 math.ST stat.ME stat.TH
An efficient and doubly robust empirical likelihood approach for estimating equations with missing data
本文考虑了当数据随机缺失时，由一般估计方程定义的参数的经验似然推断。现有的估计的效率关键取决于正确指定的条件期望的估计函数给定的随机观测值的观测分量。当条件期望没有被正确指定时，即使（缺失的）倾向函数被正确指定，估计的效率也会严重受损。我们提出了一个有效的估计，它具有双重鲁棒性，并且可以在估计方程的估计函数所生成的估计函数类内达到半参数有效界，如果正确指定倾向模型和回归模型（条件期望）。此外，如果正确地指定了倾向模型，但错误地指定了回归模型，所提出的估计仍然实现了半参数效率下界内更一般的估计函数类。仿真结果表明，所提出的估计是强大的对误设定的倾向模型或回归模型，并优于许多现有的竞争对手的意义上有较小的均方误差。此外，使用我们的方法进行统计推断，既不需要重采样，也不需要核平滑。一个真实数据的例子来说明所提出的方法。
2016-12-03 stat.ME
Semiparametric Regression Analysis of Interval-Censored Competing Risks Data
当每例研究受试者可能经历由多种原因之一引起的事件或失败，并且失败时间未被精确观察到，但已知位于两次连续检查之间的时间间隔内时，就会出现区间删失竞争风险数据。我们用公式表示可能随时间变化的协变量对累积发生率或子分布函数（即，特定原因导致的边际失效概率），通过广泛的一类半参数回归模型，捕获子分布的比例和非比例风险结构。我们允许每个受试者进行任意数量的检查，并容纳关于失败原因的缺失信息。我们考虑非参数极大似然估计，并设计了一个快速和稳定的EM型算法的计算。然后，我们建立的一致性，渐近正态性，半参数估计的有效性，呼吁现代经验过程理论。此外，我们通过广泛的模拟研究表明，所提出的方法在现实情况下表现良好。最后，我们提供了一个应用程序，对不同病毒亚型的HIV-1感染的研究。
2016-03-01 stat.ME
Semiparametric Inference for Non-monotone Missing-Not-at-Random Data: the No Self-Censoring Model
我们研究了非单调和非随机缺失的多元数据的统计泛函的识别和估计，采用半参数方法。具体来说，我们假设缺失机制满足以前所谓的“无自删失”或“逐项条件独立无响应”，这大致对应于没有部分观察变量直接决定其自身缺失状态的假设。我们表明，这一假设，结合比值比参数化的联合密度，使识别感兴趣的泛函，我们建立了半参数效率界的非参数模型满足这一假设。我们提出了一个实用的增广逆概率加权估计，并在设置（可能是高维）始终观察到的协变量的子集，我们提出的估计享有一定的双重鲁棒性。我们探索我们的估计与模拟实验的性能和先前研究的数据集在博茨瓦纳的艾滋病毒阳性母亲。
2022-12-22 math.ST stat.ME stat.TH
DNA-SE: Towards Deep Neural-Nets Assisted Semiparametric Estimation
The University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）；Institute of Natural Sciences（自然科学研究院）；SJTU-Yale Joint Center for Biostatistics and Data Science（上海交通大学-耶鲁大学生物统计学与数据科学联合中心）；Columbia University（哥伦比亚大学）
本文提出 DNA-SE 框架，将半参数估计转化为双层优化，并用深度神经网络数值求解第二类 Fredholm 积分方程，以兼顾可扩展性与统计最优性。
2024-08-04 cs.LG stat.ML
Semiparametric efficiency in GMM models with auxiliary data
本文研究了缺失数据下一般矩约束下参数的半参数有效界和有效估计。识别依赖于辅助数据，其中包含关于缺失变量分布的信息，条件是在主要数据库和辅助数据库中观察到的代理变量，如果这种分布对两个数据集是共同的。辅助样本可以独立于主样本，也可以是主样本的子集。对于这两种情况，当给定代理变量的缺失数据的概率未知，或已知，或属于正确指定的参数族时，我们推导出边界。我们发现当两个样本独立时，条件概率不是辅助的。对于所有的情况，我们讨论有效的半参数估计。基于条件期望投影的估计比基于逆概率加权的估计需要更温和的正则性条件。
2008-04-04 math.ST stat.TH
Semiparametric conformal prediction
Prescient Design, Genentech（普雷赛特设计公司，基因泰克）；Stanford University（斯坦福大学）；New York University（纽约大学）
本文提出一种半参数共形预测方法，利用非参数 vine copulas 估计向量值非一致性分数的联合分布，并通过影响函数提升分位数估计效率，在保证渐近精确覆盖的同时可扩展到大量目标变量。
2025-03-11 cs.LG stat.ML
Random nonlinear model with missing responses
研究了一类响应变量随机缺失的非线性模型。为了提高覆盖精度，考虑了经验似然比（EL）方法。如果在完全数据上使用最小二乘（LS）或最小绝对偏差（LAD）方法估计参数，则EL统计量及其近似值的渐近分布为$χ^2$。当使用半参数方法重建响应时，插补数据相关的经验对数似然也渐近为$χ^2$。对于响应变量上的参数，EL的Wilk定理也得到了满足。通过蒙特卡罗模拟表明，EL方法在覆盖概率方面优于基于正态近似的方法，并包括在重构数据上。所提出的方法的优点是例证的实际数据。
2010-05-18 stat.ME
Semiparametric Estimation on Multi-treatment Causal Effects via Cross-Fitting
因果推断是一个重要的研究领域，具有多学科的起源和应用，从统计学，计算机科学，经济学，心理学到公共卫生。在许多科学研究中，随机实验提供了几十年来估计因果效应的黄金标准。然而，在许多情况下，随机实验在实践中是不可行的，因此，从业者需要依赖于实证调查的因果推理。通过观察性数据进行因果推断是一项具有挑战性的任务，因为缺乏治疗分配机制的知识，这通常需要不可检验的假设才能进行推断。多年来，关于二元处理的因果推断的研究一直是一个热点。在实践中，使用观察性数据进行多重治疗比较也很常见。在潜在结果框架内，我们提出了一个广义交叉拟合估计（GCF），它将双稳健估计与交叉拟合二进制治疗多个治疗比较，并提供严格的证明其统计性质。该估计器允许使用更灵活的机器学习方法来对滋扰部分进行建模，并且基于相对较弱的假设，同时仍然存在有效的统计推断的理论保证。我们显示的GCF估计的渐近性质，并提供渐近的同时置信区间，达到半参数效率界的平均处理效应。基于因果推断文献中通常考虑的常用评价指标，通过模拟研究评估估计器的性能。
2022-07-25 stat.ME
Doubly robust target inference for generalized linear regression with completely missing covariates
School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）；Department of Statistics and Data Science, Tsinghua University（清华大学统计与数据科学系）
针对目标数据协变量完全缺失的广义线性回归，提出双重稳健迁移学习框架，结合重要性加权与插补，实现一致且有效的目标总体推断。
2026-09-22 math.ST stat.ME stat.ML
Boosting prediction with data missing not at random
University of Western Ontario（韦仕敦大学）
本文提出基于半参数估计的 boosting 预测方法，通过调整损失函数以应对数据缺失问题，提升预测性能。
2026-02-16 stat.ME
Rescuing double robustness: safe estimation under complete misspecification
Carnegie Mellon University（卡内基梅隆大学）；Sant’Anna School of Advanced Studies（圣安娜高等研究学院）；Penn State University（宾夕法尼亚州立大学）
针对双重稳健估计在完全错误设定下表现脆弱的问题，提出基于自适应修正裁剪（DR+ACC）的安全估计方法，确保误差受限于各干扰模型误差的凸组合，并保持半参数效率。
2026-05-26 math.ST stat.ME stat.ML
ANOVA for longitudinal data with missing values
我们对缺失值的纵向研究进行了多个处理的ANOVA比较。通过部分线性回归对治疗效果进行半参数建模，该回归在量化治疗的时间效应方面具有灵活性。采用经验似然性来制定模型稳健的非参数ANOVA检验，用于协变量、非参数时间效应函数以及协变量与时间之间的相互作用的治疗效应。所提出的测试可以很容易地修改为各种数据和模型组合，包括参数，半参数和非参数回归模型;横截面和纵向数据，并有或没有缺失值。
2012-11-13 math.ST stat.TH
A unified approach to calculation of information operators in semiparametric models
冗余参数的无穷维信息算子在半参数推断中起着关键作用，因为它与目标参数的正则可估性密切相关。信息算子的计算传统上是以个案的方式进行的，并且很容易导致具有复杂参数的冗长推导。我们开发了一个统一的框架，利用半参数似然的形式的共性。通用公式允许人们用简单的微积分推导出信息算子，如果有必要的话，还可以用最少的概率估计。这种简化的方法显示了它的效率和多功能性的应用程序中的一些流行的模型在生存分析，逆问题，和丢失的数据。
2018-10-15 math.ST stat.TH
Avoid Estimating the Unknown Function in a Semiparametric Nonignorable Propensity Model
我们研究的问题估计的功能或参数的上下文中，结果是受不可分割的missingness。我们完全避免建模的回归关系，而允许的倾向，以半参数的逻辑关系，依赖于协变量是未指定的。我们发现了一个令人惊讶的现象，在倾向模型中的参数估计以及功能估计可以进行，而不需要评估缺失对协变量的依赖性。这使我们能够提出一个一般类的模型参数估计和功能估计，包括估计结果的平均估计估计。估计的鲁棒性是非标准的，严格建立通过理论推导，并支持模拟和数据应用。
2021-08-10 math.ST stat.ME stat.TH
Semiparametric semi-supervised learning for general targets under distribution shift and decaying overlap
Carnegie Mellon University（卡内基梅隆大学）；L’EMbeDS, Sant’Anna School of Advanced Studies（圣安娜高等学院 L’EMbeDS）
本文提出D2S3框架，用于处理标签缺失随机且重叠衰减的半监督学习，实现高维噪声估计和分布偏移下的双鲁棒性和效率。
2026-05-11 math.ST stat.TH
Doubly Robust Machine Learning for Population Size Estimation with Missing Covariates: Application to Gaza Conflict Mortality
Center for Data Science New York University（纽约大学数据科学中心）；Department of Statistics & Data Science Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）；Department of Medical Statistics London School of Hygiene and Tropical Medicine（伦敦卫生与热带医学院医学统计学系）
本文提出了一种基于双重稳健机器学习的方法，用于在存在缺失协变量时估计群体规模，应用于加沙冲突死亡率的重新估计，结果显示比传统方法更保守且精确。
2026-02-10 stat.ME
Targeted maximum likelihood estimation of vaccine effectiveness and immune correlates in test-negative design studies with missing data
University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）
本文提出了一种针对测试阳性设计研究中缺失暴露变量数据的靶向最大似然估计方法，通过半参数逻辑回归模型估计症状性疾病的因果条件风险比，以实现灵活的数据驱动混杂控制和有效的因果推断。
2026-05-20 stat.AP stat.ME stat.ML
Semiparametric Analysis of the Proportional Likelihood Ratio Model and Omnibus Estimation Procedure
我们为Luo & Tsai（2012）提出的比例似然比模型提供了半参数分析。我们研究了感兴趣的参数和冗余参数的切空间，并得到了有效得分函数的显式表达式。我们提出了一个家庭的Z-估计的分数函数的基础上，包括一个近似的有效估计。使用逆概率加权，所提出的估计也可以适用于不同的缺失数据机制，如右删失数据和非随机抽样。一个模拟研究，说明了有限样本的估计性能。
2019-07-11 math.ST stat.TH
Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
本文提出了一种在协变量偏移下具有闭式解的W估计器，通过最优传输理论解释最近邻方法，并在特定情况下展现出超效率和统一性。
2026-01-12 stat.ME stat.ML
Causal Inference with Corrupted Data: Measurement Error, Missing Values, Discretization, and Differential Privacy
Columbia University（哥伦比亚大学）；Harvard University（哈佛大学）
针对2020年美国人口普查数据损坏导致的隐私与分析精度权衡问题，提出一种高维损坏数据下的因果推断半参数模型，通过数据清洗调整的置信区间和有限样本论证，在保证隐私的同时实现了有效推断。
2024-02-12 cs.LG econ.EM math.ST
Nonparametric inference about mean functionals of nonignorable nonresponse data without identifying the joint distribution
我们考虑识别和推断的平均泛函的观测协变量和结果变量的不可分割的缺失。通过利用一个影子变量，我们建立了一个充要条件，即使没有确定的全部数据分布的平均功能识别。进一步刻画了均值泛函的$\sqrt{n}$ -可估性的一个必要条件.这个条件自然地加强了识别条件，并且它需要存在一个函数作为将阴影变量连接到平均泛函的表示器方程的解。代表方程的解可能不是唯一的，这对非参数估计提出了实质性的挑战，并且非参数筛分估计的标准理论在这里不适用。我们构造了一个一致的估计的解决方案，然后适应极值估计理论，找到一个一致的估计，从估计集适当选择的解决方案。该估计是渐近正态的，局部有效的，并在一定的正则性条件下达到半参数有效界。我们说明了所提出的方法，通过模拟和真实的数据应用程序对家庭定价。
2022-04-06 math.ST stat.ME stat.TH
Generalized Kernel Ridge Regression for Causal Inference with Missing-at-Random Sample Selection
MIT（麻省理工学院）
我提出了核岭回归估计的非参数剂量反应曲线和半参数处理效应的设置中，分析师有机会获得一个选定的样本，而不是一个随机样本，只有选择观察，观察的结果。我假设选择与随机一样好，条件是治疗和一组足够丰富的观察到的协变量，其中允许协变量引起治疗或由治疗引起-随机缺失（MAR）的扩展。我提出了估计的手段，增量和分布的反事实的结果与封闭形式的解决方案，在核矩阵运算，允许治疗和协变量是离散的或连续的，低，高，或无限维。对于连续治疗的情况下，我证明了一致的一致性与有限的采样率。对于离散处理的情况下，我证明根-n的一致性，高斯近似，和半参数效率。
2021-11-09 cs.LG econ.EM math.ST
Computational Efficient and Minimax Optimal Nonignorable Matrix Completion
School of Statistics, Renmin University of China（中国人民大学统计学院）；Department of Probability and Statistics, School of Mathematical Sciences, Center for Statistical Science, Peking University（北京大学数学科学学院概率统计系、统计科学中心）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对不可忽略缺失机制下的矩阵补全问题，提出核范数正则化矩阵U统计量损失函数，结合加速近端梯度算法，实现与随机缺失方法相当的计算效率及接近极小化最优的统计收敛速率。
2025-06-27 cs.LG stat.ML
Substantive-Model-Compatible Multiple Imputation for Cox Regression with a Diverging Number of Covariates
Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学生物统计系）
本文提出了一种半参数多重插补框架，用于处理具有发散维度的Cox回归中缺失协变量的问题，通过Cox模型似然贡献驱动的高维SMC-FCS过程进行插补，并结合拒绝采样和岭正则化后验抽样以保持模型兼容性，最终通过Rubin规则结合去偏估计器和插补内部方差估计进行推断。
2026-05-20 stat.ME
Weighted Likelihood for Semiparametric Models and Two-phase Stratified Samples, with Application to Cox Regression
加权似然，其中一个解决霍维茨-汤普森或逆概率加权（IPW）版本的似然方程，提供了一个简单的和强大的方法拟合模型的两相分层样本。我们考虑半参数模型的无限维估计方程的解决方案导致$\sqrt{N}$一致和渐近高斯估计的欧几里德和非参数。如果经由Bernoulli（i.i.d.）在已知抽样概率的情况下，标准估计方程理论表明，欧几里德参数的加权似然估计的影响函数是普通影响函数的IPW形式。通过证明IPW经验过程的弱收敛性，并借用加权Bootstrap经验过程的结果，得到了有限总体分层抽样的并行渐近展开. Bernoulli抽样的渐近方差包含影响函数的层内二阶矩，而有限总体分层抽样的渐近方差仅包含层内方差。当观测到的抽样比被用作先验已知的估计值时，也会出现后一种渐近方差。本文提出了一种用估计权值拟合半参数模型的一般方法。我们的几个关键结果已经得到了特殊情况下的Cox回归分层病例队列研究，其他复杂的调查设计和缺失数据问题更普遍。本文的目的是帮助把以前的工作在适当的背景下，并铺平道路，应用到其他模型。
2005-11-15 math.ST stat.TH
Efficient Difference-in-Differences Estimation when Outcomes are Missing at Random
Carnegie Mellon University（卡内基梅隆大学）；Sant’Anna School of Advanced Studies（圣安娜高等研究学院）；Penn State University（宾夕法尼亚州立大学）；Amazon Science（亚马逊科学）
本文提出了一种基于半参数理论的高效DiD估计方法，用于处理预后或后治疗结果随机缺失的问题，通过多重鲁棒性和渐近最优性提升估计效率。
2026-01-24 econ.EM math.ST stat.ME
PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技公司）
针对仅观察处理组和未标记组的设定，本文推导出半参数有效界并构建了达到该界的平均处理效应（ATE）半参数有效估计量，为缺失数据因果推断和弱监督学习做出贡献。
2025-05-28 cs.LG econ.EM math.ST
Semiparametric Causal Inference for Right-Censored Outcomes with Many Weak Invalid Instruments
针对生物样本库孟德尔随机化中右删失结局、多弱无效工具下经典方法失效的问题，提出半参数因果推断框架与GEL-NOW方法，推导含删失不确定性的渐近性质，经模拟和UK Biobank数据验证具稳健性与实用性。
2025-10-03 math.ST stat.ME stat.TH
Overcoming data challenges through enriched validation and targeted sampling to measure whole-person health in electronic health records
针对EHR中ALI数据缺失与错误问题，提出结合靶向验证、半参数估计和残差抽样的方法，以提升全人健康与医疗利用研究的效率和稳健性。
2025-08-27 stat.AP stat.ME
Fractional Imputation in Survey Sampling: A Comparative Review
分数插补（FI）是调查抽样中处理项目无应答的一种较新的插补方法。在FI中，为每个缺失项创建几个插补值及其分数权重。每个分数权重表示给定观测数据的估算值的条件概率，并且条件概率中的参数通常通过迭代方法（例如期望最大化算法）来计算。FI的基础模型可以是全参数、半参数或非参数的，这取决于假设和数据结构的可验证性。在本文中，我们给出了一个概述FI，介绍了关键的思想和方法，读者谁是新的FI文献，并突出了一些新的发展。我们还提供了实际实施的FI和有效的推理工具后插补的指导。我们使用美国人口普查局月度零售贸易调查样本中产生的伪有限总体，证明了FI在多重插补方面的经验表现。
2015-08-27 stat.ME
Targeted Maximum Likelihood Estimation using Exponential Families
目标极大似然估计（TMLE）是半参数和非参数模型参数估计的一种常用方法。TMLE的每次迭代涉及拟合以感兴趣的参数为目标的参数子模型。我们研究使用指数族来定义参数子模型。TMLE的这种实现给出了一种估计非参数模型中任何光滑参数的一般方法。该方法的计算优点在于TMLE的每次迭代涉及指数族中的参数的估计，这是凸优化问题，对于该凸优化问题存在实现可靠且计算高效的方法的软件。我们说明了三个估计问题的方法，涉及的结果随机缺失的平均值，中位数回归模型的参数，和连续曝光的因果关系，分别。我们进行了一个模拟研究，比较不同的选择参数子模型，集中在这些问题的第一个。据我们所知，这是第一次研究调查的鲁棒性TMLE不同规格的参数子模型。我们发现，子模型的选择可以有一个重要的影响有限样本中的估计的行为。
2014-06-02 stat.ME
Multiply Robust Conformal Risk Control with Coarsened Data
本文针对训练数据存在结果或协变量缺失及删失的粗化数据问题，结合半参数理论与共形风险控制，提出多重稳健的无分布有效预测区域构造方法，并支持灵活机器学习估计冗余函数。
2026-10-23 math.ST stat.ME stat.ML
A Finite Mixture Failure-rate based Heterogeneous Step-stress Accelerated Life Testing (h-SSALT) Model
The University of Burdwan（巴德万大学）；Newcastle University（纽卡斯尔大学）
本文提出一种基于有限混合失败率的异质步应力加速寿命测试模型，通过Weibull分布的II型截尾失效时间，允许在第二应力水平上通过有限混合的m个潜在子组产生异质性，利用期望最大化算法进行最大似然估计，并通过模拟研究验证了忽略异质性对寿命预测的系统性偏差。
2026-05-20 stat.ME
Joint Modeling of Longitudinal EHR Data with Shared Random Effects for Informative Visiting and Observation Processes
Yale University（耶鲁大学）；University of Michigan（密歇根大学）
本文提出了一种联合建模框架，通过共享随机效应处理纵向EHR数据中的有信息访问和观察机制，以提高生物标志物轨迹分析的准确性。
2026-02-17 stat.AP stat.ME
Calibrated regression estimation using empirical likelihood under data fusion
在经济和生物医学研究中，基于多个来源的信息进行数据分析是常见的。这种设置通常被称为数据融合问题，它不同于传统的缺失数据问题，因为没有观察到任何受试者的完整数据。当结果变量和协变量从两个不同的来源收集时，我们考虑回归分析。通过利用在两个数据集中观察到的共同变量，文献中提出了双重稳健估计程序，以防止可能的模型误指定。然而，他们只采用一个单一的倾向得分模型的数据融合过程和一个单一的插补模型的协变量在一个数据集。假设这两种模型在实践中都是正确的，这可能是有问题的。因此，我们提出了一种方法，校准多个倾向得分和插补模型，以获得更多的保护的基础上的经验似然方法。当这些模型中的任何一个被正确指定时，得到的估计量是一致的，并且对拟合的倾向得分的极值是稳健的。我们还建立了它的渐近正态性，并讨论了半参数估计的有效性。仿真研究表明，所提出的估计有显着的优势，现有的双重稳健估计，并组装美国家庭支出数据的例子用于说明。
2022-04-06 stat.ME
Warped Dynamic Linear Models for Time Series of Counts
针对计数时间序列建模灵活性不足的问题，提出通过扭曲高斯DLM构建半参数化模型，实现共轭推断与高效预测，并在仿真与实际过量计数数据中验证了其有效性。
2023-06-06 math.ST stat.CO stat.ME
