Functional Synthetic Control Methods for Metric Space-Valued Outcomes
度量空间值结局的函数型合成控制方法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：摘要明确将方法用于面板数据政策评估，并构造反事实结局和因果效应推断。
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…
关注这篇论文的作者
度量空间值结局的函数型合成控制方法
- 研究问题
- 在面板政策评估中，结局为分布、函数或其他度量空间对象时，如何构造合成反事实并提供估计与推断保证？
- 方法与思路
- 作者利用到 Hilbert 空间的等距嵌入，提出函数型合成控制及其偏差校正版，并基于反事实估计构造预测集合。
- 材料陈述的贡献
- 摘要称推导两类估计量的有限样本误差界，提供因果效应推断工具，并通过模拟和三个经验应用展示框架用途。
- 阅读关注点
- 应核对等距嵌入所要求的空间性质、反事实识别条件、误差界组成，以及预测集合如何转化为因果效应推断。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明哪些度量空间满足要求，也未提供预测集合覆盖条件和应用细节。
原文摘要
The synthetic control method (SCM) is a widely used tool for evaluating causal effects of policy changes in panel data settings. Recent studies have extended its framework to accommodate complex outcomes that take values in metric spaces, such as distributions, functions, networks, covariance matrices, and compositional data. However, due to the lack of linear structure in general metric spaces, theoretical guarantees for estimation and inference within these extended frameworks remain underdeveloped. In this study, we propose the functional synthetic control (FSC) method as an extension of the SCM for metric space-valued outcomes. To address challenges arising from the nonlinearlity of metric spaces, we leverage isometric embeddings into Hilbert spaces. Building on this approach, we develop the FSC and augmented FSC estimators for counterfactual outcomes, with the latter being a bias-corrected version of the former. We then derive their finite-sample error bounds to establish theoretical guarantees for estimation, and construct prediction sets based on these estimators to conduct inference on causal effects. We demonstrate the usefulness of the proposed framework through simulation studies and three empirical applications.