Entrywise Inference for Missing Panel Data: A Simple and Instance-Optimal Approach
缺失面板数据的逐元素推断：一种简单且实例最优的方法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：摘要明确以个体和时间构成的面板矩阵为对象，研究交错采用造成的缺失元素估计及其置信区间。
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…
关注这篇论文的作者
缺失面板数据的逐元素推断：一种简单且实例最优的方法
- 研究问题
- 对于交错采用所形成的缺失面板矩阵，如何估计每个缺失元素并构造置信区间，同时判断区间宽度是否达到实例层面的下界？
- 方法与思路
- 作者用矩阵代数与奇异值分解估计缺失元素，通过高概率误差界和高斯近似构造区间，并以贝叶斯克拉美罗界比较宽度。
- 材料陈述的贡献
- 摘要称给出非渐近逐元素误差界和数据驱动置信区间，并证明区间宽度匹配实例层面的下界，以数值例子展示理论刻画。
- 阅读关注点
- 应核对矩阵结构、噪声和缺失模式条件，高斯近似的误差控制，以及覆盖率与实例最优性结论适用的参数范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明具体理论条件，也未建立政策效应的因果识别。
原文摘要
Longitudinal or panel data can be represented as a matrix with rows indexed by units and columns indexed by time. We consider inferential questions associated with the missing data version of panel data induced by staggered adoption. We propose a computationally efficient procedure for estimation, involving only simple matrix algebra and singular value decomposition, and prove non-asymptotic and high-probability bounds on its error in estimating each missing entry. By controlling proximity to a suitably scaled Gaussian variable, we develop and analyze a data-driven procedure for constructing entrywise confidence intervals with pre-specified coverage. Despite its simplicity, our procedure turns out to be instance-optimal: we prove that the width of our confidence intervals match a non-asymptotic instance-wise lower bound derived via a Bayesian Cramér-Rao argument. We illustrate the sharpness of our theoretical characterization on a variety of numerical examples. Our analysis is based on a general inferential toolbox for SVD-based algorithm applied to the matrix denoising model, which might be of independent interest.