Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration
考虑激励的合成控制：通过激励探索准确估计反事实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：摘要直接研究面板数据中的合成控制、处理选择和反事实估计，文本依据支持因果推断与面板数据分类。
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…
考虑激励的合成控制：通过激励探索准确估计反事实
- 研究问题
- 当单位自主选择干预且不同偏好群体差异较大时，合成控制所需的重叠为何失效，能否通过激励探索改善反事实估计？
- 方法与思路
- 作者结合信息设计和在线学习，提出激励相容的干预推荐机制，推动单位探索通常不会选择的干预，并构造合成控制估计。
- 材料陈述的贡献
- 摘要称方法无需预先假定重叠即可获得有效反事实估计，并扩展至所有干预的合成反事实，同时提供两种重叠检验。
- 阅读关注点
- 应核对偏好异质性导致重叠失败的条件、推荐机制的激励相容要求，以及有效反事实结论依赖的其他假设和检验对象。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明完整理论条件，不能将无需预设重叠理解为无条件识别。
原文摘要
Synthetic control methods (SCMs) are a canonical approach used to estimate treatment effects from panel data in the internet economy. We shed light on a frequently overlooked but ubiquitous assumption made in SCMs of "overlap": a treated unit can be written as some combination -- typically, convex or linear -- of the units that remain under control. We show that if units select their own interventions, and there is sufficiently large heterogeneity between units that prefer different interventions, overlap will not hold. We address this issue by proposing a recommender system which incentivizes units with different preferences to take interventions they would not normally consider. Specifically, leveraging tools from information design and online learning, we propose an SCM that incentivizes exploration in panel data settings by providing incentive-compatible intervention recommendations to units. We establish this estimator obtains valid counterfactual estimates without the need for an a priori overlap assumption. We extend our results to the setting of synthetic interventions, where the goal is to produce counterfactual outcomes under all interventions, not just control. Finally, we provide two hypothesis tests for determining whether unit overlap holds for a given panel dataset.