Counterfactual Analysis and Inference With Nonstationary Data
非平稳数据下的反事实分析与推断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：摘要以总量单位的面板合成对照为背景，核心分析单位根、协整与趋势平稳过程，因此归入时间序列和宏观面板。
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
非平稳数据下的反事实分析与推断
- 研究问题
- 当单个总量单位受到干预、缺乏自然对照组时，使用其他单位合成反事实的做法，在单位根或趋势平稳数据下是否可靠？
- 方法与思路
- 作者分析合成或人工对照方法在一阶单整与趋势平稳过程下的性质，区分是否存在协整关系，并讨论适用的重抽样检验。
- 材料陈述的贡献
- 摘要称无协整的一阶单整情形下效应估计量发散，不论干预是否存在；存在协整时可获一致估计，但极限分布非标准。
- 阅读关注点
- 阅读时应核对协整关系如何关联处理单位与对照池、趋势项如何处理，以及重抽样检验的适用条件和合成对照构造方式。
- 阅读边界
- 摘要未说明具体估计式、协整判定与重抽样步骤；其结论针对所讨论的数据过程，不能直接覆盖所有非平稳或合成对照设定。
原文摘要
Recently, there has been growing interest in developing econometric tools to conduct counterfactual analysis with aggregate data when a single “treated” unit suffers an intervention, such as a policy change, and there is no obvious control group. Usually, the proposed methods are based on the construction of an artificial/synthetic counterfactual from a pool of “untreated” peers, organized in a panel data structure. In this article, we investigate the consequences of applying such methodologies when the data comprise integrated processes of order 1, I(1), or are trend-stationary. We find that for I(1) processes without a cointegrating relationship (spurious case) the estimator of the effects of the intervention diverges, regardless of its existence. Although spurious regression is a well-known concept in time-series econometrics, they have been ignored in most of the literature on counterfactual estimation based on artificial/synthetic controls. For the case when at least one cointegration relationship exists, we have consistent estimators for the intervention effect albeit with a nonstandard distribution. Finally, we discuss a test based on resampling which can be applied when there is at least one cointegration relationship or when the data are trend-stationary.