Synthetic Learner: Model-free inference on treatments over time
Synthetic Learner：随时间变化的处理效应无模型推断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。
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：摘要明确以合成控制中的反事实预测、处理效应检测和平均处理效应估计为目标，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
Synthetic Learner：随时间变化的处理效应无模型推断
- 研究问题
- 在合成控制场景中，如何结合多个算法的反事实预测检测随时间发生的处理效应，而无需假定这些算法正确刻画真实模型？
- 方法与思路
- 作者提出非参数算法组合方法及处理效应检验，在平稳、β混合过程下分析检验尺寸，并讨论平均处理效应的一致性与遗憾界。
- 材料陈述的贡献
- 摘要称，检验渐近控制尺寸且不限制所考虑的基础算法集合，可纳入随机森林和Lasso等方法，并提供数值研究及应用说明。
- 阅读关注点
- 应核对反事实识别要求、平稳与混合条件适用于哪些过程、算法权重及训练安排，以及检验有效性与效应估计一致性的区别。
- 阅读边界
- 仅依据所给RePEc出版社摘要，不能推断刊本变化；摘要未列完整识别和一致性条件，无需正确预测模型并不意味着无需反事实假设。
原文摘要
Understanding the effect of a particular treatment or a policy pertains to many areas of interest, ranging from political economics, marketing to healthcare. In this paper, we develop a non-parametric algorithm for detecting the effects of treatment over time in the context of Synthetic Controls. The method builds on counterfactual predictions from many algorithms without necessarily assuming that the algorithms correctly capture the model. We introduce an inferential procedure to detect treatment effects and show that the testing procedure controls size asymptotically for stationary, beta mixing processes without imposing any restriction on the set of base algorithms under consideration. We discuss consistency guarantees for average treatment effect estimates and derive regret bounds for the proposed methodology. The class of algorithms may include Random Forest, Lasso, or any other machine-learning estimator. Numerical studies and an application illustrate the advantages of the method.