Estimating Counterfactual Matrix Means with Short Panel Data
利用短面板数据估计反事实矩阵均值AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究固定期数短面板中的反事实结果均值，并以雇主—雇员匹配工资数据和双向固定效应模型作比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用短面板数据估计反事实矩阵均值
- 研究问题
- 在每个个体仅有少量观测、结果缺失模式一般的短面板中，如何利用低秩结构识别并估计平均反事实结果？
- 方法与思路
- 作者提出低秩因子模型下的谱方法，以图算法判断个体观测结果集合的重叠是否充分，并构造固定期数、大样本下的估计程序。
- 材料陈述的贡献
- 摘要称，充分重叠时可识别全部反事实均值，并获得一致、渐近正态估计；在意大利留出工资均值预测中优于双向固定效应估计。
- 阅读关注点
- 应核对图算法的重叠判据、因子模型和缺失机制限制、固定期数下的渐近条件，以及工资比较的评价标准和留出设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未说明完整重叠条件，也不能由反事实均值识别直接推断因果效应识别。
原文摘要
We develop a spectral approach for identifying and estimating average counterfactual outcomes under a low-rank factor model with short panel data and general outcome missingness patterns. Applications include event studies and studies of outcomes of "matches" between agents of two types, e.g. people and places, typically conducted using less-flexible Two-Way Fixed Effects (TWFE) models of outcomes. Given finite observed outcomes per unit, we show our approach identifies all counterfactual outcome means, including those not identified by existing methods, if a particular graph algorithm determines that units' sets of observed outcomes have sufficient overlap. Our analogous, computationally efficient estimation procedure yields consistent, asymptotically normal estimates of counterfactual outcome means under fixed-$T$ (number of outcomes), large-$N$ (sample size) asymptotics. When estimating province-level averages of held-out wages from an Italian matched employer-employee dataset, our estimator outperforms a TWFE-model-based estimator.