跳转至

CSDA — Vol 225 · 2026-10-13

  • 共 1 篇 · Computational Statistics & Data Analysis
  • 目录核对 ⚠️ 疑似漏 9 篇(对照 OpenAlex 10 篇):10.1016/j.csda.2026.108452、10.1016/j.csda.2026.108462、10.1016/j.csda.2026.108453、10.1016/j.csda.2026.108464、10.1016/j.csda.2026.108451 等

本期导览

自动生成:归纳本期主要主题与脉络,不打分、不排名。

这一期仅收录一篇论文,主题集中在因果推断与数据预处理的交叉地带,核心关切是记录链接(record linkage)不确定性对下游回归推断的影响。文章将统计建模与贝叶斯方法结合,针对实际数据分析中常见的两阶段流程(先链接、后建模)提出系统性修正,属于方法论的精细化推进。

论文主线围绕链接不确定性的传播与利用展开:作者提出一个多重插补框架,先通过 bipartite Bayesian record linkage 模型生成多个候选链接数据集(此阶段刻意忽略研究变量,避免信息泄漏),再假设每个链接文件是真实与错误链接的混合,并利用研究变量信息估计混合模型。这一设计的关键在于,既将链接不确定性显式纳入下游回归推断,又通过变量间关系反向提升链接质量,形成双向反馈。模拟研究显示,该方法在回归参数估计上优于传统两阶段方法;实证部分以意大利家庭收入与财富调查数据为例,验证了收入持续性回归中的实际效果。

对于关注因果推断或半参数效率的研究者,本文虽未直接涉及因果识别策略,但其处理测量误差与数据质量问题的思路,与因果推断中处理混淆变量测量误差的文献有直接关联。若你的研究涉及记录链接、多源数据整合或缺失数据下的推断,这篇论文值得优先阅读;若更关注高维或非参方法,则本期内容可能不直接相关。

因果推断 (causal_inference, 1 篇)

1. 10.1016/j.csda.2026.108461 · arXiv — Regression analysis after bipartite Bayesian record linkage

  • 作者: Xueyan Hu, Jerome P. Reiter
  • 期刊/来源: Computational Statistics & Data Analysis
  • 分类: vol 225 · pp 108461
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对数据管理员先进行记录链接、再交由分析师做回归建模的两阶段流程,指出其未考虑链接不确定性且未利用研究变量间关系的问题。作者提出一个多重插补框架:首先用 bipartite Bayesian record linkage 模型生成多个可能的链接数据集,且该阶段刻意忽略研究变量信息;其次,假设每个链接文件是真实链接与错误链接的混合,并利用研究变量信息估计该混合模型。通过回归设定下的模拟研究,作者证明该方法得到的回归参数估计比传统的两阶段方法更准确。最后,作者使用意大利家庭收入与财富调查数据,对收入持续性回归进行了实证分析。该方法将链接不确定性纳入下游推断,并利用变量间关系提升链接质量,对因果推断中的测量误差和样本选择问题具有参考价值。
  • 关键技术: bipartite Bayesian record linkage, multiple imputation, mixture model, two-stage estimation, simulation study
  • 为什么对您有用: 该文属于因果推断中数据链接与测量误差的交叉问题,与您的 primary interest 中 causal inference 的估计与识别相关;您可用 very_familiar 的 estimation theory in causal inference 来评估其混合模型估计的偏差-方差权衡,中期可做:需在 moderately_familiar 的 identification theory 上加强以处理链接不确定性的识别问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论