Synthetic Regressing Control
合成回归控制法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：摘要围绕处理单位与控制单位的处理前结果和合成反事实估计展开，直接对应因果推断及面板数据方法。
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
合成回归控制法
- 研究问题
- 传统合成控制的非负且和为一权重无法充分拟合处理前结果时，能否先调整控制单位，再形成更合适的合成对照？
- 方法与思路
- 作者先用一元线性回归将各控制单位的处理前结果与处理单位对齐，再合成回归后的控制，并以无偏风险估计准则选权重。
- 材料陈述的贡献
- 摘要称所提合成方式可渐近达到不可行最优合成估计量的最小损失，并通过广泛数值实验展示该方法的优势。
- 阅读关注点
- 核对回归调整与权重约束、无偏风险准则的构造，以及最优性使用的损失、渐近框架与反事实识别之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未说明最优性条件，处理前拟合改善也不足以保证因果识别。
原文摘要
Estimating weights in the synthetic control method, typically resulting in sparse weights where only a few control units have non-zero weights, involves an optimization procedure that selects and combines control units to closely match the treated unit. However, it is not uncommon for the linear combination of pre-treatment period outcomes for the control units, using nonnegative weights with the constraint that their sum equals one, to inadequately approximate the pre-treatment outcomes for the treated unit. To address the issue, this paper proposes a simple and effective method called Synthetic Regressing Control (SRC). The SRC method begins by performing the univariate linear regression to appropriately align the pre-treatment periods of the control units with the treated unit. Subsequently, a SRC estimator is obtained by synthesizing the regressed controls. To determine the weights in the synthesis procedure, we propose an approach that utilizes a criterion of an unbiased risk estimator. Theoretically, we show that the synthesis way is asymptotically optimal in the sense of achieving the minimum loss of the infeasible best possible synthetic estimator. Extensive numerical experiments highlight the advantages of the SRC method.