面向缺失随机情况下的校准加权的通用方法

我们提出了一种基于 weighted generalized entropy 的统一校准加权方法，用于处理 improved stability 和 efficiency 的 MAR 缺失数据。 proposed generalized entropy calibration(GEC) 将 weight construction 表述为一个 convex optimization 程序，统一了 entropy-based 方法和 generalized regression weighting。通过在标准 covariate balancing 中引入与倾向得分模型相关的 debiasing 约束，以及消除 first-order 对 nuisance estimation 敏感性的 Neyman-orthogonal 约束，实现了 double robustness。基于 entropy 函数选择权重可导致在正确指定 outcome regression 模型的前提下获得 optimal 校准估计器。 proposed GEC weighting 具有 elegant 的几何特征：GEC solution 是 initial weights 向 constraint set 的 Bregman 投影，yielding 一个 generalized Pythagorean identity 和一个 nested decomposition，用于量化 additional 约束所需的 incremental distance。我们还开发了一个面向 high-dimensional 的 extension，采用 soft calibration 和 projection calibration 约束，以保持 doubly robust 推断。本文还介绍了两项 simulation 研究，以比较所提方法与现有方法的性能。