Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework
合成控制的识别与推断：近端因果推断框架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：摘要明确研究面板数据中的合成控制及单个处理单位的因果效应识别与推断。
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…
合成控制的识别与推断：近端因果推断框架
- 研究问题
- 在面板数据中估计单个处理单位的处理效应时，如何应对传统合成控制拟合不佳的问题，并建立允许潜在混杂与非线性结果的识别推断框架？
- 方法与思路
- 作者将未参与合成控制构造的控制单位用作潜在混杂的代理，建立近端因果框架，并把处理后实际与合成结果之差作为时间序列进行分析。
- 材料陈述的贡献
- 摘要称，该框架形式化合成控制及处理组效应的识别与推断，可容纳二元和计数结果，并通过模拟及1990年德国统一应用展示方法。
- 阅读关注点
- 应核对控制单位作为代理的有效性条件、合成控制构造与效应识别的关系，以及差值序列的推断要求；非线性情形需检查目标量和模型形式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出代理识别条件、推断公式或应用效应数值，不能认为任意闲置控制单位都能充当有效代理。
原文摘要
Synthetic control (SC) methods are commonly used to estimate the treatment effect on a single treated unit in panel data settings. An SC is a weighted average of control units built to match the treated unit, with weights typically estimated by regressing (summaries of) pre-treatment outcomes and measured covariates of the treated unit to those of the control units. However, it has been established that in the absence of a good fit, such regression estimator will generally perform poorly. In this paper, we introduce a proximal causal inference framework to formalize identification and inference for both the SC and ultimately the treatment effect on the treated, based on the observation that control units not contributing to the construction of an SC can be repurposed as proxies of latent confounders. We view the difference in the post-treatment outcomes between the treated unit and the SC as a time series, which opens the door to various time series methods for treatment effect estimation. The proposed framework can accommodate nonlinear models, which allows for binary and count outcomes that are understudied in the SC literature. We illustrate with simulation studies and an application to evaluation of the 1990 German Reunification.