Large dimensional latent factor modeling with missing observations and applications to causal inference
含缺失观测的高维潜在因子模型及其因果推断应用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。
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：摘要明确以含缺失观测的高维面板为对象，并将反事实插补及个体处理效应检验作为核心应用。
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
含缺失观测的高维潜在因子模型及其因果推断应用
- 研究问题
- 高维面板存在缺失观测时，如何估计潜在因子并对插补值推断，进而检验不同处理时点下的个体处理效应？
- 方法与思路
- 作者对部分观测面板估计调整后的协方差矩阵，再应用主成分分析；将未观测反事实视为缺失值，通过因子模型推断。
- 材料陈述的贡献
- 摘要称，论文给出因子、载荷与插补值的渐近分布，并支持在一般处理采纳模式下检验各时点的个体处理效应。
- 阅读关注点
- 应核对允许的缺失机制、因子结构与维度条件，尤其是从缺失值插补转向反事实识别时需要哪些额外限制。
- 阅读边界
- 所给 RePEc 出版社摘要未说明缺失模式及因果识别条件；所谓一般模式不能直接解释为任意缺失或任意处理分配。
原文摘要
This paper develops the inferential theory for latent factor models estimated from large dimensional panel data with missing observations. We propose an easy-to-use all-purpose estimator for a latent factor model by applying principal component analysis to an adjusted covariance matrix estimated from partially observed panel data. We derive the asymptotic distribution for the estimated factors, loadings and the imputed values under an approximate factor model and general missing patterns. The key application is to estimate counterfactual outcomes in causal inference from panel data. The unobserved control group is modeled as missing values, which are inferred from the latent factor model. The inferential theory for the imputed values allows us to test for individual treatment effects at any time under general adoption patterns where the units can be affected by unobserved factors.