On the Assumptions of Synthetic Control Methods
合成控制方法的假设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：摘要以大规模干预的因果效应和合成控制反事实的非参数识别为核心。
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…
合成控制方法的假设
- 研究问题
- 用其他单位观测结果的加权组合构造反事实，为何能够支持有效因果推断，其线性结构可以从怎样的个体层面模型产生？
- 方法与思路
- 作者将分析单位从州等大型单位细化到个体，重述合成控制的因果问题，并在这一模型下推导非参数因果识别的充分条件。
- 材料陈述的贡献
- 摘要称细化模型澄清了合成控制中线性的来源，并启发新的数据使用方式，尤其是用于估计反事实的观测选择方式。
- 阅读关注点
- 应核对个体层面条件如何传递到聚合结果、加权组合为何成立，以及新的观测选择建议需要哪些可获得数据和限制。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出充分条件，不能据此判断某项政策应用是否可识别。
原文摘要
Synthetic control (SC) methods have been widely applied to estimate the causal effect of large-scale interventions, e.g., the state-wide effect of a change in policy. The idea of synthetic controls is to approximate one unit's counterfactual outcomes using a weighted combination of some other units' observed outcomes. The motivating question of this paper is: how does the SC strategy lead to valid causal inferences? We address this question by re-formulating the causal inference problem targeted by SC with a more fine-grained model, where we change the unit of the analysis from "large units" (e.g., states) to "small units" (e.g., individuals in states). Under this re-formulation, we derive sufficient conditions for the non-parametric causal identification of the causal effect. We highlight two implications of the reformulation: (1) it clarifies where "linearity" comes from, and how it falls naturally out of the more fine-grained and flexible model, and (2) it suggests new ways of using available data with SC methods for valid causal inference, in particular, new ways of selecting observations from which to estimate the counterfactual.