跳转至

Noisy Matrix Completion under Informative Missingness

作者: Xuanyu Chen, Xiaoyue Niu, Gongjun Xu, Ji Zhu
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2610.04859


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是带信息性缺失(informative missingness)的噪声矩阵补全。其根本统计问题是:当观测缺失模式本身携带关于目标矩阵的信息时(例如用户倾向于评价他们喜欢的电影),如何利用这种信息来提升对未观测条目的预测精度。该方向的核心张力在于:经典的矩阵补全理论(Candès & Plan, 2010; Recht, 2011; Rohde & Tsybakov, 2011)几乎都假设缺失机制是均匀随机的(uniform missingness)或与数据无关,而现实应用中这一假设往往不成立。该方向的成熟度处于中期发展阶段——已有若干工作开始处理非均匀缺失,但对"缺失模式与数据矩阵之间的复杂关联"的建模仍不充分,本文试图填补这一空白。

发展脉络

奠基工作:均匀缺失下的矩阵补全理论。 这一支线由 Candès & Plan (2010)、Recht (2011)、Rohde & Tsybakov (2011) 等奠定,核心结论是:在均匀采样且目标矩阵低秩的条件下,通过核范数最小化或非凸优化可以在近最优的样本复杂度下恢复矩阵。这些工作的共同假设是观测概率与数据值无关,这为后续所有工作提供了基准框架,但也留下了"缺失机制过于理想化"的口子。

主要进展一:非均匀缺失下的鲁棒性分析。 Negahban & Wainwright (2012)、Klopp (2014, 2015)、Cai & Zhou (2016) 等将分析推广到一般采样分布——即每个条目以不同的概率被观测,但这些概率被视为已知或可估计的固定量,不依赖于数据值本身。Klopp (2015) 的核范数正则化方法在一般采样分布下达到了 minimax 最优率(在渐近均匀缺失的意义下)。这一支线的贡献在于证明了均匀缺失下的方法在更一般的采样下仍然有效,但没有利用缺失模式的信息来改进估计——缺失概率被当作 nuisance,而非信号。

主要进展二:显式建模缺失机制的尝试。 这一支线试图直接建模缺失模式与数据之间的关联。Srebro & Salakhutdinov (2010)、Foygel et al. (2011) 采用乘积采样模型(product sampling model),假设观测概率矩阵是秩一的(即行效应 × 列效应),并通过加权核范数正则化来调整。这一模型比均匀缺失更灵活,但秩一假设仍然过于严格——它无法刻画"用户对特定类型电影的偏好"这类复杂的交互效应。另一条路径是 IPW(逆概率加权)方法(Schnabel et al., 2016; Wang et al., 2018a,b; Ma et al., 2024),其思路是先估计观测概率,再用其倒数对损失函数加权以消除选择偏差。IPW 的优点是原理清晰、与因果推断中的标准工具直接对应,但在观测率极低时方差极大,且对观测概率模型的正确设定高度敏感。此外,Bhattacharya & Chatterjee (2022) 将观测概率矩阵建模为目标矩阵的逐元素变换(entry-wise transformation),这比秩一模型更灵活,但假设了缺失概率是目标值的确定性函数,忽略了其他可能影响缺失的因素。

当前 frontier 与本文位置。 当前的前沿问题是:如何在缺失机制与数据矩阵之间存在复杂、部分重叠、非确定性的关联时,既利用缺失模式的信息,又保持对模型误设的鲁棒性。本文的位置是:提出一个联合低秩建模框架,用一对低秩模型分别刻画数据矩阵和缺失指示矩阵,并通过一个灵活的共享线性结构(shared linear structure)耦合二者。这个框架的独特之处在于:(i) 它不假设缺失概率是目标值的确定性函数(区别于 Bhattacharya & Chatterjee, 2022);(ii) 它允许数据矩阵和缺失模式共享部分而非全部潜在因子(区别于秩一模型和完全独立的模型);(iii) 它避免了 IPW 在低观测率下的高方差问题,因为不需要显式估计逆概率权重。作者声称该框架"可以灵活地刻画数据矩阵与其缺失模式之间的各种关联"(Section 2.2),并包含了若干已有模型作为特例。

子线索聚类

被引文献大致落在三条子线索上:

  1. 均匀/一般采样分布下的矩阵补全理论(Candès & Plan, 2010; Recht, 2011; Rohde & Tsybakov, 2011; Negahban & Wainwright, 2012; Klopp, 2014, 2015; Cai & Zhou, 2016):关注在给定采样分布下如何达到最优估计率,不建模缺失机制与数据的关联。
  2. 显式建模缺失机制的加权/去偏方法(Srebro & Salakhutdinov, 2010; Foygel et al., 2011; Schnabel et al., 2016; Wang et al., 2018a,b; Ma et al., 2024; Bhattacharya & Chatterjee, 2022):通过加权核范数、IPW 或对观测概率矩阵的结构假设来利用缺失模式信息。
  3. 非凸优化与投影梯度下降的算法理论(Chen & Wainwright, 2015; Tu et al., 2015; Wang et al., 2017; Chi et al., 2019):为低秩矩阵估计提供局部收敛保证的通用框架,本文的算法分析直接建立在这一支线之上。

这个方向在追问的核心问题

  1. 缺失机制与数据矩阵的关联应该被建模到什么程度? 太简单(秩一)不足以刻画真实关联,太复杂(逐元素函数)又容易过拟合和误设。本文的共享线性结构试图在二者之间取一个灵活的中间点。
  2. 如何在不引入 IPW 高方差的前提下利用缺失模式信息? IPW 在理论上优雅,但在观测率低时实际表现不佳。本文的联合建模是一种替代路径。
  3. 非凸优化的局部收敛能否在联合模型下成立? 已有的投影梯度下降分析(Chen & Wainwright, 2015; Tu et al., 2015)针对单一低秩模型,本文需要将其推广到两个耦合的低秩模型。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有方法要么忽略缺失模式的信息(Klopp, 2014, 2015; Cai & Zhou, 2016),要么对缺失机制施加过于严格的假设(秩一模型或逐元素函数),缺乏一个既能灵活建模关联、又具有理论保证的通用框架。" 作者声称其共享线性结构"包含了若干已有模型作为特例"(Section 2.2),从而将本文定位为"显然的下一步"。被淡化或回避的竞争路径包括:IPW 方法在低观测率下的实际表现(作者仅在讨论中提及"IPW 在观测率低时方差大");以及完全贝叶斯或生成式建模路径(如深度生成模型处理 MNAR),这些在引言中未被讨论。值得研究者去查的问题:为什么引言没有引用 Sportisse et al. (2020) 的 MNAR 矩阵补全工作?该工作同样处理信息性缺失,且被列在参考文献中,但引言未讨论其与本文框架的关系。此外,Bhattacharya & Chatterjee (2022) 的逐元素变换模型与本文的共享线性结构在表达力上的精确比较,引言也未展开。

张力

未见明显对立的引用——各支线工作在不同假设下成立,彼此互补而非矛盾。但存在一个微妙的张力:IPW 方法(Schnabel et al., 2016 等)主张通过加权来"消除"缺失偏差,而本文的联合建模主张通过共享结构来"利用"缺失信息。这两种哲学在观测率极低时可能导致截然不同的实际表现,但现有文献缺乏系统的比较。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

记号 含义 类型
\(Y \in \mathbb{R}^{n \times p}\) 底层完整数据矩阵(仅部分可观测) 随机变量(部分可观测)
\(Z \in \{0,1\}^{n \times p}\) 缺失指示矩阵,\(Z_{ij}=1\) 表示 \(Y_{ij}\) 被观测 随机变量(完全可观测)
\(\Theta_1 = \mathbb{E}[Y]\) 目标矩阵(estimand) 参数(要估计的对象)
\(\Theta_2 = \text{logit}(\mathbb{E}[Z])\) 观测概率的对数几率 参数(辅助估计对象)
\(G_1 \in \mathbb{R}^{n \times K_1}, H_1 \in \mathbb{R}^{p \times K_1}\) 数据矩阵的低维因子 参数
\(G_2 \in \mathbb{R}^{n \times K_2}, H_2 \in \mathbb{R}^{p \times K_2}\) 缺失机制的低维因子 参数
\(G \in \mathbb{R}^{n \times r}, H \in \mathbb{R}^{p \times s}\) 统一嵌入(unified embeddings) 参数
\(L_1 \in \mathbb{R}^{r \times K_1}, L_2 \in \mathbb{R}^{r \times K_2}\) 线性变换(将统一嵌入映射到各子模型) 参数
\(R_1 \in \mathbb{R}^{s \times K_1}, R_2 \in \mathbb{R}^{s \times K_2}\) 线性变换(列侧) 参数
\(\alpha_1, \alpha_2 \in \mathbb{R}^n\) 行截距项 参数
\(E \in \mathbb{R}^{n \times p}\) 噪声矩阵,独立次高斯,均值 0 随机变量(不可观测)
\(K_1, K_2, r, s\) 各潜在维度 超参数(需选择)
\(n, p\) 矩阵的行数、列数 样本量指标
\(\pi_{ij} = \mathbb{E}[Z_{ij}]\) 条目 \((i,j)\) 的观测概率 由 \(\Theta_2\) 决定
\(\pi_- = e^{-M_2}/2\),\(\pi_+ = e^{-M_3} \wedge 1\) 观测概率的下界和上界 常数(由参数空间决定)

模型(数据生成机制):

  1. 数据矩阵:\(Y = G_1 H_1^\top + \alpha_1 \mathbf{1}_p^\top + E\),其中 \(G_1 = G L_1\),\(H_1 = H R_1\)。即 \(Y\) 的期望是低秩的(秩 ≤ \(K_1 + 1\)),且其行空间由统一嵌入 \(G\) 经线性变换 \(L_1\) 张成。
  2. 缺失机制:\(Z_{ij} \overset{\text{ind.}}{\sim} \text{Bernoulli}(\sigma(\Theta_{2,ij}))\),其中 \(\Theta_2 = G_2 H_2^\top + \alpha_2 \mathbf{1}_p^\top\),\(G_2 = G L_2\),\(H_2 = H R_2\)。即观测概率的对数几率也是低秩的,且与数据矩阵共享统一嵌入 \(G\) 和 \(H\)。
  3. 共享结构:\(r, s\) 满足 \(K_1 \vee K_2 \le r, s \le K_1 + K_2\)。当 \(r = K_1 + K_2\) 时,\(G_1\) 和 \(G_2\) 的行空间无重叠(完全独立);当 \(r = K_1 \vee K_2\) 时,一个子模型的行空间包含另一个(完全共享)。中间情况刻画部分重叠。

可观测数据:研究者观测到 \(\{(i,j) : Z_{ij}=1\}\) 对应的 \(Y_{ij}\) 值,以及完整的 \(Z\) 矩阵。关键点:\(Z\) 完全可观测,\(Y\) 仅部分可观测;\(E\) 和 \(Z\) 的联合分布未指定(允许 \(E\) 与 \(Z\) 相关),这保证了模型对噪声与缺失机制之间关联的灵活性。

第二步:最小内核

最简特例:取 \(K_1 = K_2 = 1\),\(r = s = 1\),\(n = p\),且 \(\alpha_1 = \alpha_2 = 0\)。此时模型退化为:

  • \(Y_{ij} = g_i h_j + E_{ij}\)(秩 1 矩阵 + 噪声)
  • \(Z_{ij} \sim \text{Bernoulli}(\sigma(g_i h_j))\)(观测概率由同一个 \(g_i h_j\) 决定)

这个特例讲清楚了什么:当数据矩阵和缺失模式完全共享潜在因子时,观测模式 \(Z\) 直接告诉我们关于 \(g_i h_j\) 的信息——如果 \(Z_{ij}=1\) 的概率高,那么 \(g_i h_j\) 很可能大。因此,缺失模式本身就是关于目标矩阵的信号。经典方法(如 Soft-Impute)只使用观测到的 \(Y_{ij}\) 值,丢弃了 \(Z\) 中的信息;而本文的联合模型通过共享结构同时利用两者。

核心数学命题(特例下的退化形式):在 \(r = s = 1\) 且无截距的情况下,估计 \(\Theta_1 = \mathbb{E}[Y] = g h^\top\) 等价于从观测对 \(\{(i,j): Z_{ij}=1\}\) 中恢复秩 1 矩阵。本文的核心论点是:使用联合损失 \(w L_1(\Theta_1) + (1-w) L_2(\Theta_2)\) 比单独最小化 \(L_1(\Theta_1)\) 能获得更小的估计误差,因为 \(L_2\) 项提供了关于 \(g h^\top\) 的额外梯度信息。这个直觉在特例下可以精确刻画:当 \(g_i h_j\) 很大时,\(Z_{ij}\) 几乎必然为 1,此时 \(Y_{ij}\) 几乎必然被观测到;当 \(g_i h_j\) 很小时,\(Z_{ij}\) 几乎必然为 0,此时 \(Y_{ij}\) 几乎必然缺失。因此,观测到的 \(Y_{ij}\) 值系统性偏向于 \(g_i h_j\) 较大的条目,忽略 \(Z\) 的信息会导致严重的选择性偏差。联合建模通过 \(L_2\) 项隐式地校正了这一偏差。

为什么这个特例是"最小内核":它剥离了所有技术复杂性(多维潜在因子、部分重叠、截距项、次高斯噪声),只保留了一个核心思想——共享结构使得缺失模式成为关于目标矩阵的间接观测。本文的一般框架(\(r, s\) 介于 \(K_1 \vee K_2\) 和 \(K_1 + K_2\) 之间)只是这个思想的"加壳":允许数据矩阵和缺失模式有部分独立的信息,但共享部分仍然提供了上述的校正信号。

证明的困难在哪:在一般框架下,联合损失是非凸的(涉及因子矩阵乘积),且两个子模型的噪声尺度不同(高斯噪声 vs. 伯努利噪声),需要仔细设计投影梯度下降的步长和收敛分析。此外,局部收敛分析需要处理两个耦合因子矩阵的更新,这比单一低秩模型的分析更复杂。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在缺失模式与数据矩阵存在关联(信息性缺失)时,如何通过联合建模数据矩阵和缺失指示矩阵来提升矩阵补全的精度。
  2. 核心工具/方法:提出一个联合低秩模型,用一对低秩分解(通过共享线性结构耦合)同时刻画 \(Y\) 和 \(Z\),并用投影梯度下降(Projected Gradient Descent)联合估计两组参数。
  3. 主要结论:在适当的初始化条件下,投影梯度下降以线性速率收敛到统计误差主导的邻域;联合估计在模拟和 MovieLens 100K 数据上均显著优于忽略缺失机制或仅单独建模的方法。

关键设定与假设

在第二节最小记号的基础上,完整设定如下:

  • 模型:\(Y = G_1 H_1^\top + \alpha_1 \mathbf{1}_p^\top + E\),\(Z \sim \text{Bernoulli}(\sigma(G_2 H_2^\top + \alpha_2 \mathbf{1}_p^\top))\),其中 \(G_m = G L_m\),\(H_m = H R_m\)(\(m=1,2\)),\(G \in \mathbb{R}^{n \times r}\),\(H \in \mathbb{R}^{p \times s}\)。
  • 条件 1(可识别性):
  • \(n > r\),\(p > s\),\(K_1 \vee K_2 \le r, s \le K_1 + K_2\);
  • 所有参数矩阵满秩;
  • \(H\) 列中心化(\(H^\top \mathbf{1}_p = 0_s\));
  • 正交性条件:\(G^\top G = n I_r\),\(H^\top H = p I_s\),\(L_1^\top L_1 = R_1^\top R_1\),\(L_2^\top L_2 = R_2^\top R_2\)。
  • 条件 2(数据生成):\(E\) 为独立次高斯噪声(方差代理 \(b^2 = O(1)\)),\(E\) 与 \(Z\) 的联合分布未指定(允许相关)。
  • 条件 3(初始化):初始化 \(G^0, H^0\) 与真值足够接近(误差 \(O(\pi_-)\) 量级),且属于约束集。
  • 条件 4(观测率):\(\pi_- = \Omega((n \vee p)^{-1} \log^2(n \vee p))\),即最差观测概率不能太小。

相比已有工作的关键差异: - 相比 Klopp (2015)、Cai & Zhou (2016):本文不假设缺失概率已知或可独立估计,而是与数据矩阵联合建模。 - 相比 Srebro & Salakhutdinov (2010)、Foygel et al. (2011):本文的观测概率矩阵可以是任意低秩(由 \(G_2 H_2^\top\) 决定),而非限制为秩一。 - 相比 Bhattacharya & Chatterjee (2022):本文允许缺失概率与目标值之间存在非确定性关联(通过共享嵌入而非逐元素函数),且不要求 \(E\) 与 \(Z\) 独立。

主要结果

定理 3(联合估计的局部收敛):在条件 1-4 下,投影梯度下降的迭代满足

\[e^2(\Xi^{t+1}) \le \left(1 - c \eta \kappa^{-2} \kappa_+^{-2} w_* \pi_-\right) e^2(\Xi^t) + C \kappa^2 \kappa_+^2 \frac{\pi_+}{w_* \pi_-^2} (K_1 \vee K_2)(n \vee p),\]
其中 \(w_* = \min\{w, 1-w\}\),\(\kappa = \kappa_L \vee \kappa_R\) 为条件数,\(\kappa_+ = \sigma_+ / \sigma_-\)。这意味着: - 线性收敛:算法以速率 \(1 - c \eta \kappa^{-2} \kappa_+^{-2} w_* \pi_-\) 指数衰减初始误差; - 统计误差:收敛后误差为 \(O\left(\frac{\pi_+}{w_* \pi_-^2} \frac{(K_1 \vee K_2)(n \vee p)}{np}\right)\),与核范数正则化方法的最优率一致(当 \(\pi_+/\pi_- = \Theta(1)\) 时)。

定理 5(模型选择的相合性):对满足条件 4 的估计量,信息准则(18)和(19)能一致地选择真实的潜在维度 \(K_1^*, K_2^*, r^*, s^*\),即 \(P(\hat{K}_m = K_m^*, \hat{r} = r^*, \hat{s} = s^*) \to 1\)。

证明路线(3-5 步逻辑主干):

  1. 误差度量定义:定义 \(e^2(\Xi)\) 为所有参数(\(G, H, L_1, L_2, R_1, R_2, \alpha_1, \alpha_2\))的加权平方误差,权重按奇异值 \(\sigma_m\) 缩放,以消除旋转不确定性。
  2. 单步收缩引理:证明在初始化足够好时,投影梯度下降的每一步都将 \(e^2\) 至少缩小一个常数因子。关键在于利用损失函数的局部强凸性——在因子矩阵附近,联合损失关于参数是强凸的(条件数 \(\kappa\) 控制凸性常数)。
  3. 统计误差界:利用次高斯噪声的集中不等式,证明在收敛点附近,梯度噪声导致的误差被 \(\frac{\pi_+}{w_* \pi_-^2} \frac{(K_1 \vee K_2)(n \vee p)}{np}\) 控制。这里 \(\pi_-\) 的出现是因为观测概率低时,有效样本量减少。
  4. 模型选择:对信息准则(18)和(19),利用定理 3 的误差界证明:过拟合时,惩罚项 \(O(K_m (n \vee p) \log(\cdot))\) 超过拟合增益;欠拟合时,损失函数差距超过惩罚项。由此得到相合性。

技术技巧点名: - 投影梯度下降 + 谱初始化:利用截断 SVD 获得初始化,然后交替更新 \(G, H\) 和 \(L_m, R_m, \alpha_m\)。 - 局部强凸性分析:借鉴 Chen & Wainwright (2015) 的框架,但推广到两个耦合的低秩模型,需要处理交叉项的 Lipschitz 常数。 - 集中不等式:对次高斯噪声和伯努利观测指示器分别使用 Hoeffding 型和 Bernstein 型不等式,处理 \(Z\) 与 \(E\) 相关的情形。 - 旋转不变误差度量:通过最小化所有等价参数化下的误差,避免因子矩阵的旋转模糊性。

真实例子与应用

模拟实验(Section 6): - 设置:\(n \in \{300, 600, 900, 1200, 1500\}\),\(p = \lfloor 3n/4 \rfloor\),\(K_1 \in \{3, 6, 9\}\),\(K_2 = \lfloor 4K_1/3 \rfloor\),\(r\) 取中值。观测率约 15% 或 35%。 - 主要发现: 1. 联合估计在估计 \(\Theta_1\) 上始终优于单独估计(图 1),且优势随 \(r\) 减小(共享信息增多)而增大。 2. 当 \(r = K_1 + K_2\)(无共享信息)时,联合估计与单独估计性能几乎相同——这验证了共享结构是收益的来源。 3. 在低观测率(15%)下,联合估计的优势更显著,因为此时 \(Z\) 提供的额外信息占比更大。 - 与 baseline 对比:Soft-Impute 和 IPW 方法在低观测率下表现不佳(图 3),IPW 尤其在高方差下失效,而联合估计保持稳定。

真实数据(Section 7): - 数据:MovieLens 100K,943 用户 × 1152 电影,约 9% 观测率。 - 结果:联合估计的测试 RMSE 比 Soft-Impute 低约 0.02(从约 0.95 降至约 0.93),比 IPW 低约 0.03。模型选择程序选出的 \(r=12, s=10\) 表明数据矩阵和缺失模式有部分共享的潜在结构。 - 下游任务:用联合估计得到的统一嵌入 \(G\) 预测用户性别和年龄,AUC 和 RMSE 均优于单独估计的嵌入(图 7),说明共享结构提取了有意义的用户特征。

🔎 结论是否比证明窄

是的,存在几处:

  1. 定理 3 的收敛性依赖"足够好的初始化"(条件 3),但论文没有给出初始化误差 \(e^2(\Xi^0)\) 的显式上界。谱初始化在均匀缺失下可以保证 \(O(\sqrt{(K_1 \vee K_2)(n \vee p)})\) 的误差,但在信息性缺失下,观测到的 \(Y\) 值有选择性偏差,谱初始化是否仍然有效并未严格证明。作者在附录中声称"可以证明",但正文没有给出细节。

  2. 定理 5 的模型选择相合性要求 \(\pi_+ = \Omega((n \vee p)^{-1} \log^2(n \vee p))\),但模拟中观测率低至 15% 时,\(\pi_-\) 可能不满足此条件。作者在模拟中仍然观察到正确的模型选择,说明该条件可能不是紧的,但论文没有给出更弱的充分条件。

  3. 误差率(13)的匹配性:作者声称率 \(O(\pi_+ \pi_-^{-2} (K_1 \vee K_2)(n \vee p)/(np))\) 与 Klopp (2015) 匹配,但 Klopp 的设定是已知观测概率,而本文需要同时估计 \(\Theta_2\)。在 \(\pi_+/\pi_-\) 很大(高度异质缺失)时,本文的率是否仍然最优,论文没有给出下界。

  4. "包含已有模型作为特例"的说法:作者在 Section 2.2 声称共享线性结构包含了秩一模型和独立模型作为特例,但没有明确说明 Bhattacharya & Chatterjee (2022) 的逐元素变换模型是否也能被包含。如果该模型不能被包含,则"更一般"的说法需要限定范围。


四、开放问题

  1. 全局收敛性:定理 3 只证明了局部收敛。在信息性缺失下,联合损失函数是否有伪局部极小值(spurious local minima)?如果有,谱初始化是否能避开它们?这需要更精细的景观分析(landscape analysis),可能涉及随机矩阵理论中的 BBP 相变技术。

  2. 观测概率的极端异质性:当 \(\pi_+/\pi_-\) 很大(例如某些条目的观测概率接近 1,而另一些接近 0)时,误差率(13)中的 \(\pi_-^{-2}\) 因子是否可改进?IPW 方法通过显式加权可能在此情形下更优,但本文没有给出比较。一个具体问题是:是否存在一个阈值,超过该阈值后 IPW 优于联合建模?

  3. 模型选择的理论紧性:定理 5 要求 \(\pi_- = \Omega((n \vee p)^{-1} \log^2(n \vee p))\),但模拟显示在更宽松的条件下也能正确选择。能否将条件放宽到 \(\pi_- = \Omega((n \vee p)^{-1})\)?这可能需要更精细的尾概率估计。

  4. 统计推断:论文只给出了点估计的误差界,没有讨论如何构造 \(\Theta_1\) 的置信区间或进行假设检验。在信息性缺失下,去偏后的估计量是否渐近正态?这涉及半参数效率理论——联合模型的效率界是什么?是否达到?

  5. 与因果推断的连接:作者在引言中提到矩阵补全在因果面板数据中的应用(Athey et al., 2021),但未深入讨论。在因果推断中,缺失模式往往与潜在结果相关(例如政策干预后的单位更可能报告结果),本文的共享线性结构是否能为这类问题提供新的识别策略?一个具体问题是:当 \(Z\) 由 \(Y\) 的潜在因子驱动时,联合建模是否比标准的合成控制方法更有效?

顺带提醒:要确认上述哪条是真正的 gap,建议去读近 5 年关于"matrix completion with MNAR"的论文(如 Sportisse et al., 2020; Ma et al., 2024; Jin et al., 2022)的引言——如果多条工作都指向同一个未解决问题,那就是共识性 gap;如果它们互相矛盾(例如对 IPW 与联合建模的优劣有不同结论),那本身就是值得研究的机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论