A Design-Based Perspective on Synthetic Control Methods
合成控制方法的设计视角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：摘要以面板数据中的合成控制为对象，研究处理效应估计及随机化分配下的性质，直接对应因果推断与面板数据。
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…
合成控制方法的设计视角
- 研究问题
- 若从处理单位与处理时期的分配机制出发，而非依赖潜在结果因子模型，合成控制估计量的偏差、方差与精度如何评价？
- 方法与思路
- 作者采用设计视角分析随机分配下的标准合成控制，提出修正无偏估计量，并推导精确的有限样本随机化方差及其无偏估计。
- 材料陈述的贡献
- 摘要称标准合成控制一般有偏，修正方法可保证随机分配下无偏，并在特定时期相似性条件下弱保证均方根误差改进。
- 阅读关注点
- 应核对随机分配机制、修正权重或约束、方差估计的可实施性，以及处理时期相似性如何支撑精度改进的保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。摘要明确结果直接适用于随机分配，不能自动推广至观察性政策实施。
原文摘要
Since their introduction in Abadie and Gardeazabal (2003), Synthetic Control (SC) methods have quickly become one of the leading methods for estimating causal effects in observational studies in settings with panel data. Formal discussions often motivate SC methods by the assumption that the potential outcomes were generated by a factor model. Here we study SC methods from a design-based perspective, assuming a model for the selection of the treated unit(s) and period(s). We show that the standard SC estimator is generally biased under random assignment. We propose a Modified Unbiased Synthetic Control (MUSC) estimator that guarantees unbiasedness under random assignment and derive its exact, randomization-based, finite-sample variance. We also propose an unbiased estimator for this variance. We document in settings with real data that under random assignment, SC-type estimators can have root mean-squared errors that are substantially lower than that of other common estimators. We show that such an improvement is weakly guaranteed if the treated period is similar to the other periods, for example, if the treated period was randomly selected. While our results only directly apply in settings where treatment is assigned randomly, we believe that they can complement model-based approaches even for observational studies.