[논문 리뷰] 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)|2026. 02. 24.

Advanced Causal Inference Techniques인용 수 0

한 줄 요약

본 논의는 Choi와 Yuan (2025)의 인과 패널 데이터에 대한 행렬 완성(matrix completion)을 split-apply-combine 접근법으로 프레이밍하고, 마지막 단계의 실용성 문제를 논의하며, RTC 정책 사례를 통해 이를 설명한다.

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.

연구 동기 및 목표

• CY의 행렬 완성 접근법을 패널 데이터 추정기에 대한 split-apply-combine 전략으로 위치시키다.
• 인과 패널 데이터에 행렬 완성을 적용할 때의 실용적 마지막 마일 도전과제 강조.
• 강건성과 적용성을 높이기 위한 진단 도구와 추론 조정을 제안한다.
• right-to-carry 법과 폭력 범죄에 대한 정책 평가 사례로 이 접근법을 설명한다.

제안 방법

• split-apply-combine 워크플로를 설명한다: 초점 시간과 처리 단위로 분할하고, counterfactual을 보정하기 위해 핵노름 정규화 행렬 완성을 적용하며, 단위별 처리 효과를 평균하여 결합한다.
• 적용하기 전에 결합하는 역할(예: 조건부화 또는 가중치 부여)을 개별 counterfactual을 순수하게 보정하는 대안으로 논의하고, ATT 추정과의 관련성을 설명한다.
• 행렬 완성 맥락에서의 하이퍼파라미터 조정, 교차 검증, 이분산성에 대한 강건성 등의 실용적 고려사항을 개관한다.
• 결과의 신뢰성을 평가하기 위한 이벤트-연구 플롯(event-study plots), 시간 내-플레이보 체크(in-time-placebo checks), 잔여화 전처리(residualized pre-processing)와 같은 진단 도구를 제안한다.
• RTC (right-to-carry) 정책 평가 사례에 프레임워크를 적용하고 DiD 및 기타 합성 대조군과 유사한 방법과 비교한다.

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.

실험 결과

연구 질문

• RQ1 행렬 완성이 인과 효과를 위한 split-apply-combine 패널 데이터 추정기에 어떻게 통합될 수 있는가?
• RQ2 정책 패널 데이터에 행렬 완성을 적용할 때의 실제적인 마지막 마일 도전과제(추론, 하이퍼파라미터 조정, 진단)는 무엇인가?
• RQ3 캘린더-타임(calendar-time)과 이벤트-타임(event-time) 추정값이 이 설정에서 해석과 추론에 어떠한 영향을 미치는가?
• RQ4 행렬 완성 기반 인과 추정에서 가정 위반을 가장 잘 탐지하고 과적합을 방지하는 진단은 무엇인가?
• RQ5 실제 정책 사례에서 CY 접근법은 합성 대조군과 DiD 같은 대안들과 비교해 어떻게 성능을 보이는가?

주요 결과

• 사전 처리 없이 행렬 완성 추정기가 처치 후 효과를 비합리적으로 크게 만들 수 있으며; 단위 및 시계열 효과를 잔차화하는 것이 종종 결과를 대안들과 일치시킨다.
• 고정 효과로 사전 처리를 할 때, 행렬 완성과 CY 추정기는 이벤트-타임 추정을 더 비교 가능하게 만든다.
• 신뢰성을 평가하고 모델 오적합을 감지하기 위해 이벤트-타임 진단과 in-time-placebo 체크를 권장한다.
• 이론적 보장과 실질적 성능 사이에는 상당한 격차가 있으며(필요한 것은 강건한 추론, 하이퍼파라미터 선택, 진단이다.)
• RTC 정책 사례는 행렬 완성과 대체 방법 간에 성능 차이를 보이며, 전처리 및 추정값 선택에 대한 민감성을 보여준다.

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