Synthetic Control with Weight Uncertainty: Robust Identification and Statistical Inference
权重不确定性下的合成控制：稳健识别与统计推断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。
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：摘要研究利用处理前后单位轨迹构造合成控制，并围绕处理效应识别与敏感性分析展开。
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
权重不确定性下的合成控制：稳健识别与统计推断
- 研究问题
- 当控制单位高度相关导致合成权重难以确定，或处理后关系发生变化时，如何定义可识别、可推断且具有敏感性解释的效应目标？
- 方法与思路
- 作者在符合处理前拟合的权重不确定集合上进行最坏情形优化，以合理效应区间中最接近零的点为目标，并提出扰动式置信区间。
- 材料陈述的贡献
- 摘要称，新目标在经典识别条件下等于真实效应；若集合包含真实处理后权重，则给出保守且保留符号的界，并允许非正态极限。
- 阅读关注点
- 应核对不确定集合的构造及覆盖真实权重的依据、稳健目标与原始处理效应的关系，以及非标准极限下置信区间有效性的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；新目标点识别不自动意味着真实效应点识别，摘要未列出完整识别和推断条件。
原文摘要
The synthetic control method estimates causal effects by comparing a treated unit with weighted controls matched on its pre-treatment trajectory. However, validity can be compromised when highly correlated controls leave the synthetic weights weakly determined or when treated-control relationships shift after treatment. We propose a new estimand, the weight-robust treatment effect, defined as the optimizer of a worst-case optimization problem over an uncertainty class of synthetic weights compatible with the pre-treatment fit. We establish its connection to sensitivity analysis: the uncertainty class induces an interval of plausible treatment effects, and the proposed estimand is the point in the interval closest to zero. Under the classical identification conditions, the estimand coincides with the true treatment effect. When these conditions fail, the estimand remains point identified; if the uncertainty class contains the true post-treatment weight, it provides a conservative sign-preserving bound on the effect. The estimator of this target may have a non-normal limiting distribution, and we propose a novel perturbation-based method for constructing valid confidence intervals. Our proposal may be of independent interest for partial identification and sensitivity analysis, where estimators defined through constrained optimization can have non-standard limiting distributions.