Small Samples and Short Panels: Evaluating Policy Evaluation Methods with Realistic Data
小样本与短面板：用贴近实际的数据评估政策评价方法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：摘要研究纵向准实验政策效应，并明确聚焦小样本与短面板。
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…
小样本与短面板：用贴近实际的数据评估政策评价方法
- 研究问题
- 政策研究的单位数和观察期有限时，合成双重差分与增广合成控制能否提供可靠估计和推断，其偏差与覆盖表现如何？
- 方法与思路
- 作者采用校准模拟，在相关实际数据中注入已知处理效应，考察合成双重差分和增广合成控制在小样本、短面板下的表现。
- 材料陈述的贡献
- 摘要称通过贴近应用的模拟补充相关情景中的性能证据，并据此提出何时两类方法可能产生可靠估计与推断的实践指导。
- 阅读关注点
- 应核对校准数据、已知效应的注入机制、样本与时间维度设置，以及评价偏差和覆盖率所使用的推断程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核验；摘要未列出具体模拟结果和建议，不能据此判定哪种方法在特定研究中更可靠。
原文摘要
Methods for estimating causal effects in longitudinal, quasi-experimental settings are widely used in economics, public health, political science, and other fields. However, studies evaluating effects of health policies often rely on limited sample sizes, both in terms of study units and time periods analyzed. Synthetic difference-in-differences (SDiD) and the augmented synthetic control method (ASCM) are recently developed methods for evaluating the effects of policy interventions. Although SDiD and ASCM generally rely on weaker assumptions than both DiD and SCM, they lack theoretical performance guarantees with respect to bias or coverage in relevant settings with small sample sizes or short panel lengths. To evaluate the performance of SDiD and ASCM in realistic, small-sample settings, we employ a calibrated simulation strategy that allows the injection of a known treatment effect into existing data in a setting of interest. Drawing on findings from these empirical investigations, we offer practical guidance for researchers and policymakers on when SDiD and ASCM are likely to yield reliable estimates and inferences under realistic scenarios.