Predictor Selection for Synthetic Controls
合成控制法的预测变量选择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：摘要通过合成控制构造政策反事实并改进处理效应评估，因此归入因果推断。
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
合成控制法的预测变量选择
- 研究问题
- 合成控制依赖处理前特征匹配时，如何选择真正重要的预测变量，并改善大量候选特征下反事实构造的估计表现和可解释性？
- 方法与思路
- 作者提出惩罚所用预测变量数量的稀疏合成控制程序，在一个线性因子模型框架下推导模型选择性质，并开展模拟和加州政策应用。
- 材料陈述的贡献
- 摘要称，该程序具有模型选择一致性和更快的均方误差收敛率；模拟显示偏差更低、处理后表现更好，并重访加州第九十九号提案研究。
- 阅读关注点
- 应核对惩罚项与调参方式、重要预测变量的定义、线性因子模型条件，以及更快收敛率的比较对象和政策应用的反事实有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列出选择一致性条件或收敛速率，不能将理论和模拟优势推广到所有合成控制设计。
原文摘要
Synthetic control methods often rely on matching pre-treatment characteristics (called predictors) of the treated unit. The choice of predictors and how they are weighted plays a key role in the performance and interpretability of synthetic control estimators. This paper proposes the use of a sparse synthetic control procedure that penalizes the number of predictors used in generating the counterfactual to select the most important predictors. We derive, in a linear factor model framework, a new model selection consistency result and show that the penalized procedure has a faster mean squared error convergence rate. Through a simulation study, we then show that the sparse synthetic control achieves lower bias and has better post-treatment performance than the un-penalized synthetic control. Finally, we apply the method to revisit the study of the passage of Proposition 99 in California in an augmented setting with a large number of predictors available.