Learning Treatment Effects in Panels with General Intervention Patterns
一般干预模式下面板处理效应的学习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：摘要直接研究面板数据中一般干预模式下的平均处理效应恢复。
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…
一般干预模式下面板处理效应的学习
- 研究问题
- 在未处理结果具有低秩结构、处理效应异质的面板中，如何对一般处理位置模式估计已处理单元的平均效应？
- 方法与思路
- 作者将观测矩阵分解为低秩基线、零均值噪声和处理效应项，将单行处理的合成控制框架推广到一般处理矩阵。
- 材料陈述的贡献
- 摘要称在一般处理模式下获得速率最优的平均效应恢复保证，并报告合成与真实数据实验中相对竞争估计量的优势。
- 阅读关注点
- 应核对低秩基线与处理矩阵的可区分条件、噪声依赖和目标效应定义，以及速率最优性和实证比较的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出可识别条件，不能理解为任意处理布局均可无条件恢复效应。
原文摘要
The problem of causal inference with panel data is a central econometric question. The following is a fundamental version of this problem: Let $M^*$ be a low rank matrix and $E$ be a zero-mean noise matrix. For a `treatment' matrix $Z$ with entries in $\{0,1\}$ we observe the matrix $O$ with entries $O_{ij} := M^*_{ij} + E_{ij} + \mathcal{T}_{ij} Z_{ij}$ where $\mathcal{T}_{ij} $ are unknown, heterogenous treatment effects. The problem requires we estimate the average treatment effect $τ^* := \sum_{ij} \mathcal{T}_{ij} Z_{ij} / \sum_{ij} Z_{ij}$. The synthetic control paradigm provides an approach to estimating $τ^*$ when $Z$ places support on a single row. This paper extends that framework to allow rate-optimal recovery of $τ^*$ for general $Z$, thus broadly expanding its applicability. Our guarantees are the first of their type in this general setting. Computational experiments on synthetic and real-world data show a substantial advantage over competing estimators.