[論文レビュー] Discussion of "Matrix Completion When Missing Is Not at Random and Its Applications in Causal Panel Data Models"

Eli Ben‐Michael, Avi Feller|arXiv (Cornell University)|Feb 24, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この議論は、因果パネルデータの分割・適用・結合アプローチとしてのChoi and Yuan (2025) のマトリクス補完を位置づけ、ラストマイルの実務上の現実性を議論し、RTC政策の例で例示する。

ABSTRACT

Choi and Yuan (2025) propose a novel approach to applying matrix completion to the problem of estimating causal effects in panel data. The key insight is that even in the presence of structured patterns of missing data -- i.e. selection into treatment -- matrix completion can be effective if the number of treated observations is small relative to the number of control observations. We applaud the authors for their insightful and interesting paper. We discuss this proposal from two complementary perspectives. First, we situate their proposal as an example of a "split-apply-combine" strategy that underlies many modern panel data estimators, including difference-in-differences and synthetic control approaches. Second, we discuss the issue of the statistical "last mile problem" -- the gap between theory and practice -- and offer suggestions on how to partially address it. We conclude by considering the challenges of estimating the impacts of public policies using panel data and apply the approach to a study on the effect of right to carry laws on violent crime.

研究の動機と目的

• CYのマトリクス補完アプローチをパネルデータ推定量の分割・適用・結合戦略として位置づける。
• 因果パネルデータへマトリクス補完を適用する際の実務的ラストマイル課題を強調する。
• 頑健性と適用性を高める診断ツールと推論の調整を提案する。
• 右取り（right-to-carry）法と暴力犯罪の政策評価の例でアプローチを実証する。

提案手法

• スプリット・アプライ・コンバインのワークフローを説明する：焦点となる時刻と処置 unit に分割し、核ノルム正則化マトリクス補完を適用して反事実を補完し、unit間の処置効果の平均化によって結合する。
• 個々の反事実を単純に推定するだけでなく、前処理として結合（条件付けや重み付けなど）を行う役割を議論し、ATT推定と関連づける。
• マトリクス補完の文脈でのハイパーパラメータ調整、クロスバリデーション、およびヘテロスケダシティへの頑健性に関する実務的考慮事項の概観。
• イベントスタディのプロット、時点内の偽陽性チェック、結果の信頼性を評価する残差前処理などの診断を提案する。
• RTC（right-to-carry）政策評価の例にフレームワークを適用し、DiDや他のサイエントリック・コントロール様の手法と比較する。

Figure 2 : Treatment timing for the RTC data. Black indicates that the state had not adopted an RTC law at that time, while white indicates that it had and so $Y_{it}(\infty)$ is missing.

実験結果

リサーチクエスチョン

• RQ1 マトリクス補完を因果効果のための分割・適用・結合パネルデータ推定量へ統合するにはどうすればよいか？
• RQ2 ポリシー・パネルデータへマトリクス補完を適用する際の実務的ラストマイルの課題（推論、ハイパーパラメータ調整、診断）は何か？
• RQ3 暦時時間とイベント時の推定量はこの設定で解釈と推論にどのような影響を与えるか？
• RQ4 マトリクス補完ベースの因果推定における前提違反を検出し過学習を防ぐのに最適な診断は何か？
• RQ5 CYアプローチは実際の政策例で、合成コントロールやDiDなどの代替手法と比較してどのように性能が異なるか？

主な発見

• 事前処理なしでは後処理の推定量が信じがたい大きな治療後効果を生む可能性がある；単位効果と時点効果の残差化は結果を他の代替手法と合わせる傾向がある。
• 固定効果による前処理を行う場合、マトリクス補完とCY推定量はイベント時の推定をより比較可能にする。
• イベント時の診断と時点内偽陽性チェックは信頼性を評価し、モデルのミス指定を検出するのに推奨される。
• 理論的保証と実務的性能（ラストマイル）の間には substantial gap があり、頑健な推論、ハイパーパラメータ選択、診断が必要である。
• RTC政策の例は、マトリクス補完と代替手法の性能が乖離することを示し、前処理と推定量の選択に対する感度を示す。

Figure 3 : Estimates of the event-time effects $\tau_{k}^{\text{event}}$ for $k=-20,\ldots,10$ using (i) nuclear-norm regularized matrix completion on the entire matrix; (ii) the CY estimator; (iii) partially pooled synthetic controls (Ben-Michael et al. , 2022 ) ; (iv) the Gsynth estimator (Xu, 201