Non-parametric identifiability and sensitivity analysis of synthetic control models
合成控制模型的非参数可识别性与敏感性分析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：摘要直接研究合成控制的因果效应识别与假设敏感性，主要依据是因果推断问题，未提供另选面板细分的充分方法信息。
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…
合成控制模型的非参数可识别性与敏感性分析
- 研究问题
- 合成控制只能用干预前数据学习时，如何避免直接假定识别条件在干预前后始终成立，并评估假设违背对因果结论的影响？
- 方法与思路
- 作者在 Pearl 结构因果模型框架中表述合成控制，借助因果机制不变性讨论非参数识别，并构建假设违背的敏感性分析框架。
- 材料陈述的贡献
- 摘要称，识别可由因果机制不变性推出，并提供一般敏感性分析框架；作者用模拟和真实数据展示其在线性合成控制中的应用。
- 阅读关注点
- 核对机制不变性的具体含义、识别所需其他条件，以及敏感性参数怎样对应假设违背；检查线性示例与一般框架之间的关系。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列出完整识别条件，也不能据此判断所有干预后变化均可处理。
原文摘要
Quantifying cause and effect relationships is an important problem in many domains. The gold standard solution is to conduct a randomised controlled trial. However, in many situations such trials cannot be performed. In the absence of such trials, many methods have been devised to quantify the causal impact of an intervention from observational data given certain assumptions. One widely used method are synthetic control models. While identifiability of the causal estimand in such models has been obtained from a range of assumptions, it is widely and implicitly assumed that the underlying assumptions are satisfied for all time periods both pre- and post-intervention. This is a strong assumption, as synthetic control models can only be learned in pre-intervention period. In this paper we address this challenge, and prove identifiability can be obtained without the need for this assumption, by showing it follows from the principle of invariant causal mechanisms. Moreover, for the first time, we formulate and study synthetic control models in Pearl's structural causal model framework. Importantly, we provide a general framework for sensitivity analysis of synthetic control causal inference to violations of the assumptions underlying non-parametric identifiability. We end by providing an empirical demonstration of our sensitivity analysis framework on simulated and real data in the widely-used linear synthetic control framework.