Matrix Completion, Counterfactuals, and Factor Analysis of Missing Data
矩阵补全、反事实与缺失数据的因子分析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：摘要明确研究面板缺失值插补、强因子结构和受处理者的反事实处理效应，分别对应面板数据、因子模型及因果推断。
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
矩阵补全、反事实与缺失数据的因子分析
- 研究问题
- 研究如何利用面板中可观测的数据块估计缺失值，并在潜在结果具有因子结构时估计受处理者的平均与个体处理效应。
- 方法与思路
- 作者结合高块估计的因子与宽块估计后重新旋转的载荷进行插补，假定完整面板及子块具有强因子结构并分析误差。
- 材料陈述的贡献
- 摘要称共同成分可在四种收敛速度下获得一致估计，无需正则化或迭代，并为反事实处理效应建立正态分布理论。
- 阅读关注点
- 应核对数据块与缺失模式的要求、强因子条件、四种收敛速度的适用情形，以及反事实识别与正态推断的具体条件。
- 阅读边界
- 依据arXiv 1910.06677v5预印本摘要，不能据此声称已同行评审或期刊接收，也不能推断刊本变化；四种速率和反事实识别条件未具体说明。
原文摘要
This paper proposes an imputation procedure that uses the factors estimated from a tall block along with the re-rotated loadings estimated from a wide block to impute missing values in a panel of data. Assuming that a strong factor structure holds for the full panel of data and its sub-blocks, it is shown that the common component can be consistently estimated at four different rates of convergence without requiring regularization or iteration. An asymptotic analysis of the estimation error is obtained. An application of our analysis is estimation of counterfactuals when potential outcomes have a factor structure. We study the estimation of average and individual treatment effects on the treated and establish a normal distribution theory that can be useful for hypothesis testing.