Inference for Low-rank Completion without Sample Splitting with Application to Treatment Effect Estimation
无需样本分割的低秩矩阵补全推断及处理效应应用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。
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：摘要明确提供平均处理效应推断及政策相关应用，因此选择因果推断；仅有矩阵结构不足以确认面板数据设定。
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
无需样本分割的低秩矩阵补全推断及处理效应应用
- 研究问题
- 如何在低秩矩阵估计中避免样本分割，同时获得有效统计推断，并将方法用于平均处理效应及不均匀、相互依赖的观测模式？
- 方法与思路
- 作者先进行核范数惩罚，再用最小二乘估计特征向量，研究其渐近正态性，并允许观测模式相关和观测概率异质。
- 材料陈述的贡献
- 摘要称主要贡献是无需样本分割的低秩矩阵推断，并给出平均处理效应推断方法，应用于总统选举投票对美国各州联邦预算分配的影响。
- 阅读关注点
- 应核对低秩与观测机制条件、惩罚后最小二乘步骤、渐近方差估计，以及从矩阵补全推断过渡到处理效应识别所需的额外条件。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明秩、观测概率和依赖的具体限制，也未提供预算应用的效应数值。
原文摘要
This paper studies the inferential theory for estimating low-rank matrices. It also provides an inference method for the average treatment effect as an application. We show that the least square estimation of eigenvectors following the nuclear norm penalization attains the asymptotic normality. The key contribution of our method is that it does not require sample splitting. In addition, this paper allows dependent observation patterns and heterogeneous observation probabilities. Empirically, we apply the proposed procedure to estimating the impact of the presidential vote on allocating the U.S. federal budget to the states.