Orthogonalized Synthetic Controls
正交化合成控制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：摘要明确针对合成控制中的受处理者平均处理效应推断，并推广到加权面板方法，直接对应因果推断与面板数据。
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
正交化合成控制
- 研究问题
- 当合成控制权重受约束、维度高且可能仅部分识别时，如何对已点识别的受处理者平均处理效应获得渐近正态推断？
- 方法与思路
- 作者先用正则化惩罚估计权重及其他干扰参数，再用对干扰参数正交化的矩条件估计效应，并扩展固定平滑检验结果。
- 材料陈述的贡献
- 摘要称即使权重同时具有三类困难，方法仍可实现渐近正态，并给出无需一致标准误的尺寸控制检验及高层充分条件。
- 阅读关注点
- 应核对正则化如何选择干扰参数解、正交矩如何构造，以及权重部分识别与效应点识别的关系，并检查固定平滑检验条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出完整充分条件或有限样本结果，不能据此保证任意合成控制设计有效。
原文摘要
When conducting inference for the average treatment effect on the treated with a Synthetic Control Estimator, the vector of control weights is a nuisance parameter that is often constrained, high-dimensional, and may be only partially identified even when the average treatment effect on the treated is point-identified. All three of these features of a nuisance parameter can lead to failure of asymptotic normality for the estimate of the parameter of interest when using standard methods. I provide a new method that yields asymptotic normality for an estimate of average treatment effects, even when all three complications are present. This is accomplished by first estimating the control weights and any other nuisance parameters using a regularization penalty to achieve identification, and then estimating average treatment effects using moment conditions that are orthogonalized with respect to the nuisance parameters. Additionally, I extend results from the fixed-smoothing literature to provide tests that control size without requiring consistent standard errors. I present high-level sufficient conditions applicable to the traditional Synthetic Control Estimator as well as other weighting-based panel data methods, and verify them in an example involving instrumental variables.