Synthetic Control As Online Linear Regression
作为在线线性回归的合成控制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：摘要围绕处理单位的反事实结果预测，并讨论合成控制和双重差分在比较案例研究中的使用，直接对应因果推断。
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
作为在线线性回归的合成控制
- 研究问题
- 能否用在线学习理论刻画合成控制的反事实预测表现，并在结果由对抗者选择时，比较其与最优控制组加权组合的差距？
- 方法与思路
- 作者将合成控制视为 Follow-The-Leader 算法，借助在线凸优化结果分析预测表现，并讨论差分数据上的相应版本。
- 材料陈述的贡献
- 摘要称，合成控制预测接近最优控制单位加权组合；差分版本接近最优加权双重差分，为比较案例研究提供理论支持。
- 阅读关注点
- 应核对损失函数、权重约束、比较基准及遗憾界成立条件，尤其检查预测保证如何连接处理后反事实与因果效应识别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整界与条件，预测表现本身不能确立因果识别。
原文摘要
This paper notes a simple connection between synthetic control and online learning. Specifically, we recognize synthetic control as an instance of Follow-The-Leader (FTL). Standard results in online convex optimization then imply that, even when outcomes are chosen by an adversary, synthetic control predictions of counterfactual outcomes for the treated unit perform almost as well as an oracle weighted average of control units' outcomes. Synthetic control on differenced data performs almost as well as oracle weighted difference-in-differences, potentially making it an attractive choice in practice. We argue that this observation further supports the use of synthetic control estimators in comparative case studies.