A Relaxation Approach to Synthetic Control
合成控制的松弛方法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：摘要以合成控制构造处理单位的反事实，并用跨单位与时间的信息评估英国实际 GDP，支持因果推断和宏观面板分类。
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…
合成控制的松弛方法
- 研究问题
- 当合成控制的供体数量超过时间期数，且供体存在分组结构时，如何构造反事实预测权重以分散预测风险并提高样本外准确度？
- 方法与思路
- 作者在单纯形约束和放松的线性不等式下最小化权重的信息论度量；存在分组结构时，算法使组内权重接近均等。
- 材料陈述的贡献
- 摘要提出 SCM-relaxation 算法，称估计量渐近达到样本外预测的 oracle 表现，并以模拟及英国脱欧对实际 GDP 的应用展示。
- 阅读关注点
- 核对信息论目标、约束松弛程度和分组设定，以及 oracle 比较对象、渐近条件和反事实预测如何支持脱欧影响解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；摘要未说明 oracle 性质的具体条件或脱欧效应数值，预测表现不直接验证因果解释。
原文摘要
The synthetic control method (SCM) is widely used for constructing the counterfactual of a treated unit based on data from control units in a donor pool. Allowing the donor pool contains more control units than time periods, we propose a novel machine learning algorithm, named SCM-relaxation, for counterfactual prediction. Our relaxation approach minimizes an information-theoretic measure of the weights subject to a set of relaxed linear inequality constraints in addition to the simplex constraint. When the donor pool exhibits a group structure, SCM-relaxation approximates the equal weights within each group to diversify the prediction risk. Asymptotically, the proposed estimator achieves oracle performance in terms of out-of-sample prediction accuracy. We demonstrate our method by Monte Carlo simulations and by an empirical application that assesses the economic impact of Brexit on the United Kingdom's real GDP.