Единая основа для принятия решений в отношении общих схем отсутствия и машинного обучения

arXiv:2508.15162v4 Annualce Type: заменить резюме: Прогнозы по моделям машинного обучения (ML) все чаще используются для расчета отсутствующих данных, но их наивное использование рискует предвзятым выводом. Существующие методы позволяют сделать обоснованный вывод с использованием условных значений ML, независимо от качества прогнозирования для повышения эффективности, в то время как они ограничиваются либо простыми недостающими структурами данных, либо полностью отсутствующими предположениями. Мы разрабатываем новые рамки для обоснованного статистического вывода по проблемам оценки Z с использованием условных значений ML в рамках допущений, касающихся отсутствия на месте преступления, и применительно к общим схемам недостачи. Этот метод стратифицирует данные с помощью различных недостающих схем и создает оценочный механизм путем агрегирования наблюдаемой и прогнозируемой информации по конкретным моделям. Теоретически мы разрабатываем асимптотические свойства и глобально оптимальное агрегирование, которые гарантируют доминирование эффективности над взвешенными полными анализами (ВККА). На практике этот метод обеспечивает простое осуществление за счет использования существующих