Identification and inference with nonignorable missing covariate data.
Identification and inference with nonignorable missing covariate data.
复制标题
识别和推断不可签名的丢失协变量数据。
DOI：
10.5705/ss.202016.0322
复制
发表时间：
2018-10
影响因子：
1.4
通讯作者：
Tchetgen Tchetgen E
中科院分区：
文献类型：
--
作者：
Miao W;Tchetgen Tchetgen E
研究了协变量数据缺失时参数和半参数模型的辨识问题。当协变量数据不是随机缺失时，即使在相当严格的参数假设下也不能保证识别，这一事实用几个例子来说明。我们提出了一个一般的方法来建立识别的参数和半参数模型时，协变量是缺失的，而不是随机的。在没有缺失过程的辅助信息的情况下，参数模型的识别强烈依赖于模型规格。然而，在存在完全观察到的阴影变量的情况下，该阴影变量与缺失协变量相关，但与其缺失无关，识别可以更广泛地实现，包括在相当大的半参数模型中。在引入阴影变量的情况下，特别考虑了缺失过程不受约束的广义线性模型。在这样的设置下，识别熟悉的广义线性模型的结果模型，当识别失败时，我们提供了反例。对于估计，我们描述了一个逆概率加权估计，采用阴影变量估计缺失过程，我们通过模拟评估其性能。
We study identification of parametric and semiparametric models with missing covariate data. When covariate data are missing not at random, identification is not guaranteed even under fairly restrictive parametric assumptions, a fact that is illustrated with several examples. We propose a general approach to establish identification of parametric and semiparametric models when a covariate is missing not at random. Without auxiliary information about the missingness process, identification of parametric models is strongly dependent on model specification. However, in the presence of a fully observed shadow variable, which is correlated with the missing covariate but otherwise independent of its missingness, identification is more broadly achievable, including in fairly large semiparametric models. With a shadow variable, special consideration is given to the generalized linear models with the missingness process unrestricted. Under such a setting, the outcome model is identified for familiar generalized linear models, and we provide counterexamples when identification fails. For estimation, we describe an inverse probability weighted estimator that incorporates the shadow variable to estimate the missingness process, and we evaluate its performance via simulations.
登录
查看更多内容
当协变量为 MNAR 时，提高完整案例分析的效率。
DOI：
10.1093/biostatistics/kxu023
发表时间：
2014-10
期刊：
Biostatistics (Oxford, England)
影响因子：
--
作者：
Bartlett JW;Carpenter JR;Tilling K;Vansteelandt S
通讯作者：
Vansteelandt S
影响因子：
3.7
作者：
Angrist, JD;Imbens, GW;Rubin, DB
通讯作者：
Rubin, DB
影响因子：
3.7
作者：
EDGETT, GL
通讯作者：
EDGETT, GL
影响因子：
3.7
作者：
GLASSER, M
通讯作者：
GLASSER, M
影响因子：
5.2
作者：
Heckman, J
通讯作者：
Heckman, J