本文研究了多元数据缺失的统计功能识别和估计，采用半参数方法，假设缺失机制满足无自我审查条件，用共同密度的比值参数化方法导出感兴趣的函数，提出具有加权估计器、双鲁棒性属性的估计器，并在 HIV 阳性母亲数据集上进行了仿真实验和性能评估。

Sep, 2019

我们考虑的是在数据不随机缺失（MNAR）的情况下识别和估计感兴趣的参数。本文提出了一种受数据融合启发的方法，其中 MNAR 数据集的信息通过与随机缺失（MAR）的辅助数据集的信息来增强。我们展示了在两组互补假设下，即使单独给定任一数据集都无法识别感兴趣的参数，但在汇总数据给定情况下可以识别。我们推导了一种逆概率加权（IPW）估计器用于识别的参数，并通过模拟研究评估了我们的估计策略的性能。

Nov, 2023

这篇论文提供了一种基于边际集似然函数的半参数推断方法，用于分析具有不同类型的多元数据，如二进制、次序和连续型数据，通过相互参数化变量的联合分布和单变量边际分布来实现混合数据分析。其 Gibbs 采样算法适用于高斯协方差模型的参数估计和推断。

Oct, 2006

本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

Apr, 2014

本文提出了一种多工作回归模型的校准方法，可用于估计单个或多个参数，当缺失概率被正确指定且假设了多个条件均值工作回归模型时，具有奥拉克尔（Oracle）性质，在缺失数据机制被错误指定时，仍可成为一致估计量，可使用共同的校准权重同时获得所有感兴趣参数的半参数效率界，并且与生物统计学、计量经济学和调查抽样中许多现有的估计方法有联系。

Oct, 2014

本文提出了一种基于离散选择模型的全能法，可以在缺失数据为非单调且不随机的情况下提供半参数推断，并针对逻辑斯谛离散选择不响应模型（LDCM）进行了特别考虑。

Jul, 2016

通过使用生成模型（高斯混合模型）计算观察变量给定缺失变量的条件期望值来解决数据矩阵中缺少条目的问题，并利用基于生成模型的算法来填充缺失值，以提高分类学习算法的性能。

Sep, 2012

提出了一种局部鲁棒正交矩函数的构造方法，用于 GMM 的非参数或高维度的第一步估计，并表明可通过添加非参数影响函数建立正交矩函数以及用于估计未知函数的一般方法。同时给出了一些新的双重鲁棒矩方程，并应用于高维回归分位数和动态离散选择参数函数估计上的渐近推断。

Jul, 2016

本文考虑了在一种成对图模型中，每个节点的条件分布都属于指数族分布这样一种参数调整问题。该文章证明了参数空间的限制条件以及基于邻域选择方法对于高维数据下的图重建方法的相容性，同时提出了在处理不同参数形式的情况下如何选择节点间边的问题，并举出高斯分布，伯努利分布，泊松分布和指数分布等实例验证了理论发现。

Nov, 2013

本研究开发了一个半参数框架，以获取关于所谓的边际自然直接和间接因果效应的推论，同时适当考虑曝露和中介变量的大量先前混淆因素，尤其是在中介分析方面提出了增量稳健的本地有效估计量和一种新的双重稳健灵敏度分析框架。

Oct, 2012