Double and Single Descent in Causal Inference with an Application to High-Dimensional Synthetic Control
因果推断中的双重下降与单调下降：高维合成控制应用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：摘要直接涉及平均处理效应及具有控制单位和预处理时期的合成控制估计。
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…
因果推断中的双重下降与单调下降：高维合成控制应用
- 研究问题
- 在因果推断与合成控制中，参数或控制单位远多于样本信息时，继续增加模型复杂度能否改善插补及处理效应估计？
- 方法与思路
- 作者考察工资插补、平均处理效应与高维合成控制，并将复杂模型解释为较简单模型的平均，以统一分析其表现。
- 材料陈述的贡献
- 摘要称部分过参数化模型表现更好，且预处理拟合已完美后增加控制单位仍可改善插补，并提供模型平均的理论解释。
- 阅读关注点
- 应核对模型平均表示的条件、复杂度与误差的关系、控制单位选择方式，以及插补性能改善能否传递至效应估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出理论条件，不能据此认定控制单位越多始终越好。
原文摘要
Motivated by a recent literature on the double-descent phenomenon in machine learning, we consider highly over-parameterized models in causal inference, including synthetic control with many control units. In such models, there may be so many free parameters that the model fits the training data perfectly. We first investigate high-dimensional linear regression for imputing wage data and estimating average treatment effects, where we find that models with many more covariates than sample size can outperform simple ones. We then document the performance of high-dimensional synthetic control estimators with many control units. We find that adding control units can help improve imputation performance even beyond the point where the pre-treatment fit is perfect. We provide a unified theoretical perspective on the performance of these high-dimensional models. Specifically, we show that more complex models can be interpreted as model-averaging estimators over simpler ones, which we link to an improvement in average performance. This perspective yields concrete insights into the use of synthetic control when control units are many relative to the number of pre-treatment periods.