Synthetic Parallel Trends
合成平行趋势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：摘要以面板政策评估、双重差分、合成控制和处理效应识别集为核心，直接对应因果推断与面板数据方向。
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
合成平行趋势
- 研究问题
- 面板政策评估中，若不固定双重差分或合成控制所用的特定权重，能否在更一般的平行趋势限制下识别并推断处理效应？
- 方法与思路
- 作者允许满足合成平行趋势的一类控制单位权重，构造处理效应识别集，并以含估计系数、剖除干扰参数的线性规划开展推断。
- 材料陈述的贡献
- 摘要称，框架包含双重差分与合成控制等特例；在所述假设违背的模拟中，新置信集达到名义覆盖率，而比较方法覆盖不足。
- 阅读关注点
- 应核对可行权重集合及其经济含义、识别集宽度、估计系数不确定性的处理，以及模拟中哪些假设被违背、哪些仍成立。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；稳健性仍依赖合成平行趋势，摘要不能支持对任意趋势违背均有效的解释。
原文摘要
Popular empirical strategies for policy evaluation in the panel data literature -- including difference-in-differences (DID), synthetic control (SC) methods, and their variants -- rely on key identifying assumptions that can be expressed through a specific choice of weights $ω$ relating pre-treatment trends to the counterfactual outcome. While each choice of $ω$ may be defensible in empirical contexts that motivate a particular method, it relies on fundamentally untestable and often fragile assumptions. I develop an identification framework that allows for all weights satisfying a Synthetic Parallel Trends assumption: the treated unit's trend is parallel to a weighted combination of control units' trends for a general class of weights. The framework nests these existing methods as special cases and is by construction robust to violations of their respective assumptions. I construct a valid confidence set for the identified set of the treatment effect, which admits a linear programming representation with estimated coefficients and nuisance parameters that are profiled out. In simulations where the assumptions underlying DID or SC-based methods are violated, the proposed confidence set remains robust and attains nominal coverage, while existing methods suffer severe undercoverage.