Identification and Efficient Estimation in Regression Analysis with Response Missing Not At Random
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Missing-data is a pervasive problem in regression analysis, compromising the accuracy and efficiency of parameter estimates.This paper focuses on the challenging scenario of missing not at random (MNAR) data, where the missingness of a value is linked to the value itself.Traditional approaches to addressing MNAR data confront a trade-off: imposing stringent assumptions about the missingness mechanism can enhance efficiency but curtail robustness, whereas accommodating model misspecification can bolster robustness but at the expense of efficiency.In addition, assuming a nonparametric MNAR mechanism will lead to model identifiability issues.We propose a novel approach that overcomes this limitation.Firstly, we address the model identifiability issue using the shadow variable.Then, by leveraging the sieve method, we can model the MNAR mechanism nonparametrically.This approach achieves the best of both worlds: it gains robustness by avoiding strict assumptions about the missingness mechanism while simultaneously achieving the semiparametric efficiency bound for the parameter of interest (meaning our estimator has the lowest possible Statistica Sinica: Newly accepted Paper asymptotic variance).The paper delves into the theoretical framework, outlining conditions for identifiability, constructing the semiparametric likelihood function, and rigorously proving the estimator's semiparametric efficiency.Additionally, we present an EM-type algorithm for practical implementation, discussing the E-step and M-step iterations and variance estimation methods.Finally, simulations and a real-data application demonstrate the effectiveness of our proposed method compared to existing approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle