Estimation of Linear Functionals in Multilayer Panels under Staggered Adoption
交错采用设计下多层面板线性泛函的估计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：摘要明确研究多层面板及交错采用缺失，并以政策评估设计为动机，因此选择面板数据与因果推断方向。
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…
交错采用设计下多层面板线性泛函的估计
- 研究问题
- 在交错采用导致结构性缺失的多层面板中，如何共享不同层的信息，直接估计目标泛函，并判断增加层数何时有益？
- 方法与思路
- 作者使用共享单位与时间因子的 Tucker2 信号模型，从四块缺失结构出发构造谱算法，再通过锚定四块约化推广至交错采用。
- 材料陈述的贡献
- 摘要称，作者给出随层数发生相变的非渐近均方误差界，并在所述秩及对数因子处理下匹配局部极小极大下界。
- 阅读关注点
- 应核对跨层共享因子假设、目标双线性形式与题名线性泛函的关系，以及缺失结构、锚定约化和相变阈值的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出因子及缺失的完整条件，恢复信号的保证不能自动视为因果识别保证。
原文摘要
We study the estimation of bilinear forms from noisy, partially observed multilayer data. The signal follows a Tucker2 model, with shared unit and time factors across tensor layers and slice-specific cores. The missingness pattern is structured and motivated by staggered adoption designs, which are common in causal inference and related applications. We first analyze the four-block missingness pattern, the basic building block for general staggered adoption, and propose a spectral algorithm that pools information across layers and targets the functional directly. We prove a non-asymptotic mean squared error bound that exhibits a phase transition in the number of layers, showing when pooling improves estimation, and match it with a local minimax lower bound up to constants when ranks and logarithmic factors are treated as constant-order quantities. We then extend the construction to general staggered adoption designs via an anchored four-block reduction, and derive analogous theoretical guarantees. Finally, we validate our theoretical findings using synthetic and real-world data on Castle Doctrine laws and COVID-19 policies