分块缺失遇上 AI：半参数推断的可处理解法
统计方法学
2025-09-30 v1 机器学习
摘要
我们考虑数据特征分块、非单调缺失时的参数估计与推断。我们的方法植根于半参数理论，并受预测驱动推断的启发，通过一种新颖且可处理的受限方差层次（RAY）近似，利用现成 AI（预测或生成）模型来处理完全随机缺失机制，通过寻找最优估计方程的近似。由此产生的分块缺失推断（RAY），即 IBM(RAY) 估计器融合了预训练的 AI 模型，并通过调节模型特定超参数仔细控制渐近方差。随后我们将 IBM(RAY) 推广到一类更一般的估计器。我们通过求解一个约束二次规划问题找到了该类中最有效的估计器，称为 IBM(Adaptive)。所有 IBM 估计器都是无偏的，并且关键的是，无论所用 AI 模型的预测准确性如何，都能渐近地实现相对于朴素完全案例估计器的保证效率增益。我们通过模拟研究和一项表面蛋白丰度估计的应用，展示了本方法在有限样本下的性能和数值稳定性。
引用
@article{arxiv.2509.24158,
title = {Blockwise Missingness meets AI: A Tractable Solution for Semiparametric Inference},
author = {Qi Xu and Lorenzo Testa and Jing Lei and Kathryn Roeder},
journal= {arXiv preprint arXiv:2509.24158},
year = {2025}
}