Forecasting Algorithms for Causal Inference with Panel Data
用于面板数据因果推断的预测算法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：摘要明确以面板数据中的未处理反事实填补和处理效应估计为目标，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…
用于面板数据因果推断的预测算法
- 研究问题
- 如何利用时间序列预测算法，估计面板数据中受处理单位在未接受处理时的反事实轨迹，并改善处理效应估计？
- 方法与思路
- 作者将时间序列预测的 N-BEATS 深度神经网络改造为 SyNBEATS，用于填补未处理反事实，并与多种面板估计方法比较。
- 材料陈述的贡献
- 摘要称，SyNBEATS 在所考察情境中优于合成控制和双向固定效应，与合成双重差分、矩阵补全相当或更好，并提供公开实现。
- 阅读关注点
- 应核对反事实可识别的条件、训练数据与预测窗口的安排、比较方法的调参规则，以及预测误差如何影响处理效应推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明识别假设、具体实验设置和数值结果，性能结论仍需核对。
原文摘要
Conducting causal inference with panel data is a core challenge in social science research. We adapt a deep neural architecture for time series forecasting (the N-BEATS algorithm) to more accurately impute the counterfactual evolution of a treated unit had treatment not occurred. Across a range of settings, the resulting estimator (``SyNBEATS'') significantly outperforms commonly employed methods (synthetic controls, two-way fixed effects), and attains comparable or more accurate performance compared to recently proposed methods (synthetic difference-in-differences, matrix completion). An implementation of this estimator is available for public use. Our results highlight how advances in the forecasting literature can be harnessed to improve causal inference in panel data settings.