Conditional Predictive Inference for Missing Outcomes
针对协变量偏移下多结果条件预测推断的分箱MAR假设违反问题,提出倾向得分ε离散化策略与pro-CP方法,实现无分布的分箱条件覆盖率控制与有效预测。
2025-07-31 stat.ME
Statistical Inference for Complete and Incomplete Mobility Trajectories under the Flight-Pause Model
本文提出用于人类移动性的统计 Flight-Pause 模型,开发了在多种缺失数据形式下的参数推断与轨迹填补方法,揭示并修正了 MPT 数据中常被忽视的缺失机制问题。
2023-06-30 stat.ME
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
Functional conditional volatility modeling with missing data: inference and application to energy commodities
针对异方差标量对函数回归模型的波动率非参数估计问题,提出仅用观测数据的简化估计量并分析其渐近性质,再用其插补缺失数据以提升估计效果,经模拟验证后应用于天然气日波动率建模。
2024-12-16 stat.ME
Handling Missing Responses under Cluster Dependence with Applications to Language Model Evaluation
Stanford University(斯坦福大学);Adobe Research(Adobe研究院);University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
本文针对语言模型评估中人类标注缺失和集群依赖问题,分析双重稳健估计器并建立新理论性质,通过模拟和真实数据验证,强调集群依赖对有效推断的重要性。
2025-10-23 stat.ME
Calibrated Bayes, for Statistics in General, and Missing Data in Particular
有人认为,校准贝叶斯(CB)的方法来统计推断利用的实力贝叶斯和频率论的方法来统计推断。在CB方法中,特定模型下的推理是贝叶斯的,但频率论方法对模型开发和模型检查很有用。在这篇文章中,CB方法概述。然后从CB的角度对缺失数据的贝叶斯方法进行了审查。贝叶斯方法的基本理论,以及密切相关的技术多重插补,进行了说明。然后,贝叶斯方法的正态模型的应用进行了说明,无论是单调和非单调缺失数据模式。序贯回归多元插补和惩罚样条倾向模型是放松分布假设的两种有用的方法。
2011-08-09 stat.ME
Bootstrap Inference when Using Multiple Imputation
许多现代估计量需要自举来计算置信区间,因为没有可用的分析标准误,或者感兴趣的参数的分布是不对称的。然而,在处理多重插补以解决缺失数据时,如何获得有效的自助推断仍不清楚。我们提出了四种方法,这是直观的吸引力,易于实现,并结合自举估计与多重插补。我们发现,四种方法中的三种产生有效的推断,但方法的性能随插补数据集的数量和缺失的程度而变化。仿真研究揭示了我们的方法在有限样本中的行为。艾滋病毒治疗研究的一项专题分析确定了幼儿开始抗逆转录病毒治疗的最佳时机,展示了这四种方法在复杂和现实环境中的实际影响。该分析存在缺失数据,并使用$g$公式进行推断,该方法没有可用的标准误。
2018-06-05 stat.ME
A Unified Framework for Inference with General Missingness Patterns and Machine Learning Imputation
University of Michigan(密歇根大学);University of Washington(华盛顿大学);Yale University(耶鲁大学)
本文提出一种在MAR假设下利用机器学习插补处理一般缺失模式的统一Z估计推断框架,通过按缺失模式分层、掩码插补与加权聚合构造估计量,并证明其渐近正态性及相对加权完整案例分析的效率优势。
2026-10-27 stat.ME stat.ML
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
The Effect of Sample Size and Missingness on Inference with Missing Data
什么时候从部分数据中得到的推论(无论是直接似然、贝叶斯还是频率论)是有效的?本文回答了这个问题,提供了一个新的渐近理论推断缺失数据,比现有的理论更普遍。证明了随着样本量的增加和缺失程度的减小,由部分数据生成的忽略缺失机制的平均对数似然函数将概率收敛到由完全数据生成的平均对数似然函数;并且当数据为随机缺失时,这种收敛性仅取决于样本量。因此,来自部分数据的推断,例如后验模式、置信区间、似然比、检验统计量,以及实际上来自部分数据对数似然函数的所有量或特征,将被一致地估计。此外,如果数据为随机缺失,则缺失数据机制对参数估计和假设检验无渐近影响。这增加了以前的研究,只证明了一致性和渐近正态性的后验模式。实际影响进行了讨论,并通过模拟使用以前的研究国际人权法的理论说明。
2022-08-07 math.ST stat.TH
Multistage Estimators for Missing Covariates and Incomplete Outcomes
我们研究多个缺失的协变量和部分观察到的反应的问题。我们开发了一个新的框架来处理复杂的缺失协变量的情况下,通过逆概率加权,回归调整,和一个乘法稳健的程序。我们将我们的框架应用于三个经典问题:来自生存分析的Cox模型、缺失响应和来自因果推断的二元处理。我们还讨论了如何处理这些情况下缺失的协变量,并开发相关的识别理论和渐近理论。我们将我们的程序应用于模拟和阿尔茨海默病数据集,并获得有意义的结果。
2021-11-03 stat.ME
Nonparametric Statistical Inference and Imputation for Incomplete Categorical Data
分类数据的缺失是各种实际应用中常见的问题。传统的方法要么只利用完整观测值,要么不考虑缺失数据的真实条件分布,而采用一些特别的方法来估算缺失数据,从而丢失或扭曲了部分观测值中丰富的信息。在本文中,我们提出了Dirichlet过程的折叠乘积多项式混合(DPMCPM)的完整的数据联合建模和计算模型的效率。通过拟合乘积-多项分布的无限混合,DPMCPM适用于任何分类数据,而不管真实分布如何,其中可能包含变量之间的复杂关联。在潜在类分析的框架下,我们表明,DPMCPM可以通过创建一个额外的类别来表示缺失,这隐含地整合了丢失的部分,就其真实的条件分布的一般缺失机制建模。通过模拟研究和实际应用,我们证明了DPMCPM在各种缺失机制的不完全分类数据的统计推断和插补方面优于现有方法。DPMCPM作为R包\texttt{MMDai}实现,可从Comprehensive R Archive Network(https://cran.r-project.org/web/packages/MMDai/index.html)获得。
2019-07-11 stat.CO stat.ME
Efficient surrogate-assisted inference for patient-reported outcome measures with complex missing mechanism
越来越多地收集患者报告结局(PRO)指标,作为衡量医疗保健质量和价值的一种手段。预测这些措施的能力,使病人提供共享决策和以病人为中心的护理的交付。然而,由于其自愿性质,PRO措施往往遭受高缺失率,并且缺失可能取决于许多患者因素。在这种复杂的缺失机制下,PRO指标预测模型中参数的统计推断具有挑战性,特别是当使用灵活的插补模型(如机器学习或非参数方法)时。具体而言,灵活插补模型的收敛速度慢,可能导致不可忽略的偏差,而传统的缺失倾向,能够消除这种偏差,是很难估计,由于复杂的缺失机制。为了有效地推断感兴趣的参数,我们建议使用一个信息代理,可以导致一个灵活的插补模型躺在一个低维子空间。为了消除由于灵活的插补模型的偏差,我们确定了一类加权函数作为传统的倾向得分的替代品,并估计低维的一个内确定的功能类。基于估计的低维权函数,我们构造了一个一步去偏估计,而不使用任何真实缺失倾向的信息。我们建立了一步去偏估计的渐近正态性。仿真和实际数据的应用证明了该方法的优越性。
2023-02-27 math.ST stat.ME stat.TH
Statistical Inference for Matching Decisions via Matrix Completion under Dependent Missingness
The Chinese University of Hong Kong(香港中文大学);University of Pennsylvania(宾夕法尼亚大学);Arizona State University(亚利桑那州立大学)
针对匹配数据存在依赖缺失的双边匹配市场,提出基于格拉斯曼梯度下降的非凸矩阵补全算法及去偏投影框架,实现了准确估计、有效统计推断与匹配策略高效评估。
2026-10-30 stat.ME stat.ML
Spatially Robust Inference with Predicted and Missing at Random Labels
本文提出了一种双稳健估计器,用于处理具有预测和缺失在随机标签的空间依赖性问题,通过交叉拟合和jackknife方法校正空间异方差性和自相关,提高置信区间的有效性。
2026-03-11 cs.LG econ.EM stat.AP
Optimality of variational inference for stochastic block model with missing links
变分方法在网络数据分析中非常流行。这些方法获得的统计保证通常为随机块模型下的全局模型参数估计问题提供渐近正态性。在目前的工作中,我们考虑的情况下,网络与丢失的链接,这是重要的应用程序,并表明变分近似的最大似然估计收敛于极小极大率。这为含缺失环节的随机区组模型的参数估计问题提供了第一个极小极大最优易处理的估计器。我们补充我们的结果与模拟和真实网络的数值研究,这证实了这种估计比目前的方法的优势。
2021-11-05 math.ST stat.TH
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中,我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施,在存在缺失数据的情况下不需要任何调整,这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性,允许一般模式的缺失数据,序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站,在那里的方法可以很容易地处理由于不利的天气条件下,许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM 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
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
Efficient Semiparametric Inference for Distributed Data with Blockwise Missingness
本文针对分块缺失且不可共享个体数据的分布式半参数推断问题,提出利用迁移函数构造增广一步估计量,在仅需一轮汇总通信的条件下实现通信高效、不伤害、半参数最优且可扩展的统计推断。
2025-08-23 math.ST stat.ME stat.TH
Statistical Inference for High-Dimensional Linear Regression with Blockwise Missing Data
本文针对具有块状缺失协变量和部分观测响应变量的高维线性回归模型,提出基于无偏估计方程和块状插补的高效估计器,并利用创新的投影估计方程技术构建渐近正态的去偏估计器,从而实现有效的置信区间和统计检验,在数值研究和阿尔茨海默病数据分析中优于现有方法。
2023-06-28 math.ST stat.ME stat.ML
Accounting for Missing Data in Public Health Research Using a Synthesis of Statistical and Mathematical Models
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Oxford(牛津大学);Washington State University(华盛顿州立大学)
本文提出利用统计与数学模型综合方法处理公共卫生研究中因设计导致的积极性违反问题,以NHANES数据估计儿童平均收缩压,结果更准确,为缺失数据处理提供新途径。
2025-10-14 stat.AP stat.ME
AI-Generated Measurements for Identification and Inference with Missing Data: A Weak Shadow Variable Approach
Massachusetts Institute of Technology, Cambridge, MA 02139(麻省理工学院);Emory University, Atlanta, GA 30322(埃默里大学)
针对缺失非随机(MNAR)导致的估计偏差,提出部分识别框架,通过线性规划结合预训练模型(如LLM)的预测作为弱影子变量收紧边界,并设计集合扩张估计器保证覆盖,实验显示识别区间缩小75-83%。
2026-09-01 cs.LG econ.EM stat.ME
Imputation estimators for unnormalized models with missing data
Harvard University(哈佛大学);The University of Tokyo(东京大学);RIKEN Center for Brain Science(理化学研究所脑科学中心);Iowa State University(爱荷华州立大学)
几种统计模型都是以非归一化密度的形式给出的,归一化常数的计算比较困难。我们提出的估计方法,这种未规范化的模型与缺失数据。其关键概念是将插补技术与非标准化模型的估计量(包括噪声对比估计和分数匹配)相结合。此外,我们推导出所提出的估计量的渐近分布和构造置信区间。截断高斯图模型的模拟结果和应用于实际数据的风向表明,所提出的方法有效地使统计推断与非归一化模型的缺失数据。
2020-06-08 cs.LG stat.ME stat.ML
The Impossibility of Testing for Dependence Using Kendall's $τ$ Under Missing Data of Unknown Form
本文讨论了在缺失数据问题的背景下,使用Kendall的$τ$检验两个连续随机变量之间的相关性的统计推断问题。我们证明了最坏的情况下,确定了这个措施的关联总是包括零。这个结果的后果是,使用肯德尔的$τ$,其中的鲁棒性是相对于缺失生成过程的形式的依赖性的鲁棒性推理,是不可能的。
2022-02-24 math.ST stat.TH
Hypothesis testing for matched pairs with missing data by maximum mean discrepancy: An application to continuous glucose monitoring
统计科学中经常遇到的问题是如何正确处理配对观测中的缺失数据。有大量的文献处理单变量的情况下。然而,在测量生物系统方面正在进行的技术进步提出了处理更复杂数据的需要,例如,图形、字符串和概率分布等。为了填补这一空白,本文提出了新的估计的最大平均差异(MMD)处理复杂的匹配对缺失数据。这些估计器可以检测不同缺失机制下数据分布的差异。这种方法的有效性得到证明,并在广泛的仿真研究中进一步研究,并提供统计一致性的结果。在一个纵向人群为基础的糖尿病研究的连续血糖监测数据被用来说明这种方法的应用。通过采用新的分布表示与聚类分析,可以探索五年内葡萄糖变化在分布水平上如何变化的新临床标准。
2022-06-03 stat.ME stat.ML
A very short guide to IOI: A general framework for statistical inference summarised
综合有机推理(IOI)是讨论在一个简洁和非正式的方式,目的是给读者的要点是什么,这种方法,以统计推断是关于以及给予指针,以进一步阅读。
2021-04-23 stat.ME stat.OT
From Good Starts to Optimal Inference: Generalized Latent Factor Models with Missingness and Implicit Regularization
Department of Statistics, Columbia University(哥伦比亚大学统计系)
本文提出一种结合链接感知双SVD初始化、单侧细化和梯度下降的非凸估计方法,实现广义潜因子模型在缺失数据下的最优推断与不确定性量化,无需显式正则化或去偏。
2026-09-11 math.ST stat.TH
Multiple Imputation via Generative Adversarial Network for High-dimensional Blockwise Missing Value Problems
University of Pennsylvania(宾夕法尼亚大学)
缺失数据存在于大多数现实问题中,需要仔细处理以保持下游分析中的预测准确性和统计一致性。多重填补方法作为处理缺失数据的金标准,被提出来考虑填补的不确定性,并提供适当的统计推断。在这项工作中,我们提出了通过生成对抗网络(MI-GAN)的多重插补,这是一种基于深度学习(具体来说,基于GAN)的多重插补方法,可以在具有理论支持的随机缺失(MAR)机制下工作。MI-GAN利用了条件生成对抗神经工程的最新进展,并在插补误差方面显示出与高维数据集上现有最先进插补方法相匹配的强大性能。特别是,MI-GAN在统计推断和计算速度方面明显优于其他插补方法。
2021-12-21 cs.LG stat.AP
Statistical Properties of $k$-means Clustering for Data Missing Completely at Random
研究完全随机缺失数据下 $k$-means 聚类的统计性质,建立了 $\sqrt{n}$-超额风险界和估计中心的一致性,推导了 $\sqrt{n}$-收敛速度和渐近正态性,并给出了估计中心收敛到真实中心的条件。
2026-07-03 cs.LG stat.ML
Estimating Viral Genetic Linkage Rates in the Presence of Missing Data
尽管人们对使用社交和信息网络的兴趣越来越大,但大多数关于网络的推论都假设收集的数据代表了完整的信息。然而,当忽略缺失数据时,甚至当完全随机缺失时,这会导致关于推理网络相关参数的估计量的偏倚。在本文中,我们专注于构建概率的估计,随机选择的节点有节点至少有一个边缘的假设下,节点是完全随机缺失完全随机缺失及其相应的边缘。此外,问题也出现在获得这样的估计渐近性质,因为跨节点的联动指标是相关的,防止直接应用的中心极限定理和大数定律。使用二次抽样的方法,我们提出了一个改进的估计我们的参数的兴趣,以适应缺失数据。利用U-统计量理论,我们得到了所提出的估计量的相合性和渐近正态性。这种方法减少了估计我们感兴趣的参数时的偏差。我们说明我们的方法使用的HIV病毒株从一个大的群集随机试验的艾滋病毒预防干预组合-博茨瓦纳联合预防项目(BCPP)。
2022-03-24 math.ST stat.ME stat.TH
Second-Order Inference for the Mean of a Variable Missing at Random
在随机缺失的假设下,我们给出了一个二阶估计的均值受缺失的变量。估计改进现有的方法,通过使用近似的二阶扩展的参数功能,除了一阶扩展采用标准的双稳健方法。这导致建立一致性、局部有效性和渐近线性所需的收敛速度假设较弱。在目标最小损失估计(TMLE)框架下开发了一般估计策略。我们提出了一个模拟比较的灵敏度的一阶和二阶估计的收敛速度的初始估计的结果回归和缺失评分。在我们的模拟中,二阶TMLE将置信区间的覆盖概率提高了85%。此外,我们提出了一个一阶估计的启发二阶扩展的参数功能。该估计器仅需要一维平滑,而二阶TMLE的实现通常需要协变量空间上的核平滑。与现有的一阶估计量相比,一阶估计量有望提高有限样本性能。在我们的模拟中,建议的一阶估计提高了高达90%的覆盖概率。我们提供了一个使用公开数据集来确定抗凝剂对接受经皮冠状动脉介入治疗的患者健康结局的影响的方法的说明。我们提供R代码实现建议的估计。
2015-11-26 math.ST stat.TH
The Algebraic Complexity of Maximum Likelihood Estimation for Bivariate Missing Data
本文研究了在数据为随机缺失(MAR)的假设下,正态和多项式随机变量的二元缺失数据的一般模式的极大似然估计问题.对于正态数据,分数方程有九个复杂的解,其中至少有一个是真实的和统计上显著的。我们的计算表明,真正的解决方案的数量有关的MAR假设是否得到满足。在多项式的情况下,分数方程的所有解都是实数,并且实数解的数量随着基础随机变量的状态数呈指数增长,尽管总是有一个统计上显著的局部最大值。
2007-09-06 math.AG math.ST stat.CO
Spectral Analysis of Gram Matrices with Missing at Random Observations: Convergence, Central Limit Theorems, and Applications in Statistical Inference
School of Mathematics and Statistics, Chongqing University(重庆大学数学与统计学院);Division of Mathematical Sciences, Nanyang Technological University(南洋理工大学数学科学系);Department of Statistics and Data Science, National University of Singapore(新加坡国立大学统计与数据科学系)
本文研究随机缺失观测下高维Gram矩阵的谱特性,证明其经验谱分布收敛性与线性谱统计量的中心极限定理,发现缺失场景下特征值统计量波动受总体协方差特征向量影响的新现象,并将结果应用于协方差矩阵假设检验。
2026-09-03 math.ST stat.TH
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的,但是,如果混杂因素有缺失值,这将变得具有挑战性。一般来说,如果混杂因素是非随机缺失,则无法识别因果效应。我们提出了一个新的框架,以非参数识别因果关系的影响与混杂因素的结果无关的missingness,即缺失数据的机制是独立的结果,给定的治疗和可能的缺失混杂因素。然后,我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法,其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元,最多观察到一个潜在结果,而其余结果缺失,所以因果推断本质上是一个缺失数据问题。事实上,因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系,但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制,我们讨论了广泛的因果推断方法,这些方法在缺失数据分析中具有类似性,例如插补,逆概率加权和双稳健方法。在每一个三种模式的推理-频率,贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计,并通过具体的例子说明。我们确定了开放的问题,以激励更多的研究,以弥合这两个领域。
2018-01-03 stat.ME
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题,提出灵活缺失机制与“插补与再插补”框架,实现精确随机化检验、协变量调整及置信区间构建,并经模拟和大规模实验验证。
2025-05-24 stat.ME
An integrative approach based on probabilistic modelling and statistical inference for morpho-statistical characterization of astronomical data
本文介绍了在天文学和宇宙学中的几个应用,解决了使用概率建模和统计推断。
2015-10-19 astro-ph.IM stat.AP
Estimating Treatment Effects with Missings Not At Random in the Estimand Framework using Causal Inference
Independent Researcher(独立研究者)
本文针对随机对照试验中非随机缺失问题,利用有向无环图和潜在响应变量建模缺失过程,提出无需填补即可无偏估计治疗效应的新方法,并证明平均条件对数优势比在充分调整混杂因素下对MNAR具有稳健性。
2025-11-08 stat.ME
Rejoinder to "Equi-energy sampler with applications in statistical inference and statistical mechanics"
对Kou,Zhou和Wong的“等能量采样器及其在统计推断和统计力学中的应用"一文的反驳[数学ST/0507080]
2006-11-08 math.ST stat.TH
On a simultaneous parameter inference and missing data imputation for nonstationary autoregressive models
本文研究了时间序列分析中的缺失数据问题,重点研究了存在缺失数据时模型参数的估计和缺失数据的重建。用于解决这些问题的标准方法(如极大似然估计或贝叶斯推断)依赖于先验假设(如缺失数据的高斯或平稳行为),并且在这些假设未得到满足的情况下可能导致偏倚结果。为了更进一步,我们将模型参数有界变差的外生因子向量自回归模型的有限元方法(FEM-VARX)扩展到处理缺失数据问题。该方法在考虑时间序列和所涉及的外生因素的情况下,同时估计模型参数和重建缺失数据。由此产生的计算框架进行了比较,国家的最先进的方法对一组测试案例,并作为开放源码软件。
2019-12-30 stat.ME
Semiparametric Inference of the Complier Average Causal Effect with Nonignorable Missing Outcomes
随机试验中经常出现不依从和缺失数据,使因果效应的推断复杂化。当不合规和缺失数据同时存在时,以往的文献提出了二进制和正态分布连续结果的矩和极大似然估计在潜在的可消除的缺失数据机制下.然而,在实践中可能违反潜在的可识别缺失数据机制,因为缺失数据机制可能直接取决于缺失结果本身。在不依从和结果依赖的不可解释的缺失数据机制下,以往的研究表明,对于离散的结果,依从者的平均因果效应是可识别的。本文研究了具有全或无不依从和结果依赖的不可重复缺失连续结果的随机临床试验中依从者平均因果效应的半参数可辨识性和估计,并提出了两步极大似然估计,以消除无穷维干扰参数。我们的方法不需要为缺失数据机制指定参数形式。我们还通过广泛的模拟研究和敏感性分析评估了我们的方法的有限样本属性,并将其应用于双盲精神病临床试验。
2014-09-02 stat.ME
Discrete Choice Models for Nonmonotone Nonignorable Missing Data: Identification and Inference
非单调缺失数据经常出现在社会科学和健康科学的实证研究中,如果忽略它,会导致选择偏差和效率损失。在实践中,通常在随机缺失假设下解释无应答,虽然很方便,但当无应答是非单调的时,这种假设很少适用。似然法和贝叶斯缺失数据方法通常需要为完整数据法指定参数模型,因此先验排除了任何半参数推断的可能性。在本文中,我们提出了一个通用的方法,提供半参数推断时,缺失数据是非单调的,而不是随机的。该方法是基于离散选择模型(DCM)作为一种手段,以产生一个大类的非单调nonresponse机制,是nonconsciable。给出了非参数辨识的充分条件,并给出了任意DCM下全参数和半参数推理的一般框架。特别考虑到的情况下,logit离散选择无响应模型(LDCM),我们描述了推广的逆概率加权,模式混合估计,双重稳健估计和乘法稳健估计。
2017-07-19 stat.ME
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说,即使在限制性参数模型假设下,当混杂因素非随机缺失时,也不能保证因果效应的识别。为了解决这一问题,我们提出了一个通用框架,以建立因果关系的识别时,混杂因素受到治疗无关的缺失,这意味着缺失数据机制是独立的治疗,考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型,并在识别失败时提供了反例。在估计方面,我们给出了模型参数的加权估计方程估计方法,并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法,从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里,我们研究的可识别性和有效的估计向量结果的因果关系的影响,在这种情况下,治疗是无混淆的,但部分失踪。我们考虑一个随机缺失的设置,其中治疗中的缺失不仅取决于复杂的协变量,而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下,随着有效的影响函数,这个参数在非参数模型中,这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计,例如,通过具有更快的收敛速度比复杂的滋扰估计,他们依赖。进一步,我们表明,这些估计可以根-n一致的和渐近正常的弱非参数条件下,即使使用灵活的机器学习。最后,我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Variational Bayes Inference for Spatial Error Models with Missing Data
针对含响应变量缺失数据的空间误差模型,本文提出JVB与改进HVB两种变分贝叶斯算法,以更低计算成本实现随机缺失和非随机缺失下的准确推断。
2024-06-12 stat.ME
Causal Inference with Unmeasured Confounding from Nonignorable Missing Outcomes
本文针对存在不可观测混杂和非随机缺失结局的观察性研究,提出利用同时作为影子变量和工具变量的辅助变量,实现依从者平均因果效应的非参数识别与估计,并通过模拟和真实数据验证。
2023-05-12 stat.ME
Robust semiparametric inference with missing data
具有缺失结果数据的经典半参数推断对观测数据的污染不具有鲁棒性,并且单个观测可以对感兴趣的参数的估计具有任意大的影响。当使用逆概率加权方法时,这种敏感性会加剧,这可能会使污染的观测值超重。我们引入逆概率加权,双稳健和结果回归估计的位置和尺度参数,这是强大的污染的意义上说,他们的影响函数是有界的。我们给出了渐近性质,并研究了有限样本行为。我们的模拟实验表明,污染可以更严重的威胁,推理的质量比模型误指定。我们的研究结果的一个有趣的方面是,辅助结果模型,用于调整的估计的可重复的缺失,也是有用的,以防止污染。我们还通过案例研究说明了如何通过加权方案实现对可识别缺失的调整和对污染的保护,这些方案可以进行对比以获得进一步的见解。
2018-10-05 stat.ME
A Review of Statistical Methods for Handling Nonignorable Missing Data using Instrument Approach
Georgia Institute of Technology(佐治亚理工学院)
本文综述了利用工具变量处理不可忽略缺失数据的统计方法,重点介绍了两种半参数框架及其关键进展与挑战。
2025-09-18 stat.ME
What Is Meant by "Missing at Random"?
随机缺失的概念是缺失数据的统计分析文献的核心。一般而言,使用不完整数据的推断不仅应基于观察到的数据值,还应考虑缺失值的模式。然而,人们常说,如果数据是随机缺失,有效的推断使用似然方法(包括贝叶斯)可以忽略缺失机制。不幸的是,“随机缺失“一词的使用并不一致,而且并不总是明确的;“使用似然性的有效推断”的含义也不明确。这些问题造成了潜在的混乱,在这种情况下,缺失机制可以被忽略的确切条件,并可能围绕“分析忽略缺失机制”的含义造成混乱。本文对“随机缺失“和“完全随机缺失“给出了标准化的精确定义,以促进理论的统一。使用这些定义,我们澄清的条件,足以“有效的推理”下获得各种推理范式。
2013-06-12 stat.ME
Causal Inference with Missing Exposures and Missing Outcomes
University of California Berkeley(加州大学伯克利分校);University of California San Francisco(加州大学旧金山分校);Infectious Diseases Research Collaboration(传染病研究协作组织);Makerere University(马凯雷雷大学)
提出一个扩展的反事实框架,同时处理暴露和基线结局缺失,定义反事实分层效应,并通过TMLE和Super Learner在乌干达农村酒精消费对结核病感染风险的研究中验证。
2026-06-17 stat.ME
Estimation and inference in metabolomics with non-random missing data and latent factors
高通量代谢组学数据充满了影响代谢物测量浓度的不可解释的缺失观测和未观测到的因素,并且众所周知,忽略这些并发症中的任一个都会损害估计器。然而,目前分析这些数据的方法只能解释缺失数据或未观察到的因素,而不能同时解释两者。因此,我们开发了MetabMiss,这是一种统计学上严格的方法,用于解释高通量代谢组学数据中的非随机缺失数据和潜在因素。我们的方法不需要从业者为缺失数据指定概率模型,并且使得研究代谢组与数十甚至数百种表型之间的关系在计算上易于处理。我们使用模拟和真实的代谢组学数据证明了MetabMiss估计的保真度。实现我们方法的R包可以从https://github.com/chrismckennan/MetabMiss获得。
2019-09-05 stat.ME
Causal Inference on Missing Exposure via Robust Estimation
针对暴露随机缺失下的因果推断问题,提出基于加权估计方程的IPW与三重稳健估计量,降低极端权重影响并防范模型误设。
2024-06-12 stat.ME
Hypothetical estimands in clinical trials: a unification of causal inference and missing data methods
ICH E9附录引入了术语并发事件,是指随机化后发生的事件,这些事件可能妨碍观察到关注的结局或影响其解释。它提出了五种处理并发事件的策略,以形成一个被估量,但没有提出估计的统计方法。在本文中,我们专注于假设的策略,其中的处理效应的假设情况下,其中并发事件是防止定义。对于它的估计,我们考虑了因果推断和缺失数据方法。我们建立了某些“因果推断估计量”是相同的某些“缺失数据估计量”。这些链接可能会帮助那些熟悉一套方法而不是另一套方法的人。此外,使用潜在结果符号使我们能够更清楚地说明缺失数据方法依赖于哪些假设来估计假设被估量。这有助于表明估计假设的被估量是否合理,以及在分析中应该使用什么数据。我们发现,假设的被估量可以估计并发事件发生后,这是通常不使用的数据利用。我们还提出了蒙特卡罗模拟,说明在不同的设置中的方法的实施和性能。
2021-07-09 stat.ME