Data-driven model selection within the matrix completion method for causal panel data models
因果面板模型矩阵补全方法中的数据驱动模型选择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：摘要直接涉及因果面板数据、矩阵补全估计及政策处理效应推断。
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
因果面板模型矩阵补全方法中的数据驱动模型选择
- 研究问题
- 在因果面板模型中，如何同时选择潜在因子结构与高维协变量，并为正则化后的处理效应分析提供有限样本推断？
- 方法与思路
- 作者用核范数最小化约束潜在因子模型的秩，同时正则化协变量，并采用置换式推断，以模拟和德国公共卫生政策数据展示。
- 材料陈述的贡献
- 摘要称，论文给出置换推断有效性证明并展示参数和变量选择表现；应用中未发现旅行限制对重症感染控制的效应。
- 阅读关注点
- 应核对正则化参数和变量选择规则，尤其是作者所称任意处理分配机制下置换有效性的前提，以及应用中的效应识别。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未说明置换证明条件或效应精度；未发现效应不能据此断言真实效应为零。
原文摘要
Matrix completion estimators are employed in causal panel data models to regulate the rank of the underlying factor model using nuclear norm minimization. This convex optimization problem enables concurrent regularization of a potentially high-dimensional set of covariates to shrink the model size. For valid finite sample inference, we adopt a permutation-based approach and prove its validity for any treatment assignment mechanism. Simulations illustrate the consistency of the proposed estimator in parameter estimation and variable selection. An application to public health policies in Germany demonstrates the data-driven model selection feature on empirical data and finds no effect of travel restrictions on the containment of severe Covid-19 infections.