Bias-Aware Confidence Intervals for Synthetic Control via Placebo-in-Time Bootstrap
通过时间安慰剂 Bootstrap 构造考虑偏差的合成控制置信区间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：摘要研究合成控制因果效应区间，并利用观测面板与处理前时间安慰剂进行偏差校准。
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…
通过时间安慰剂 Bootstrap 构造考虑偏差的合成控制置信区间
- 研究问题
- 当合成控制的系统偏差与处理信号相当、且不会随单位平均而消失时，如何避免常规置信区间围绕错误中心收缩？
- 方法与思路
- 作者将处理时点向前移动，在多个安慰剂时点重新拟合合成控制，以所得缺口估计偏差分布，并重抽样构造零假设临界值。
- 材料陈述的贡献
- 摘要称，该方法直接从观测面板估计偏差分布，并主张固定宽度下的覆盖不依赖真实处理效应随时间变化的轨迹。
- 阅读关注点
- 应重点核对安慰剂缺口与真实估计偏差同分布的依据、时间依赖下的重抽样规则，以及临界值校准和覆盖结论的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明关键分布关系和覆盖证明条件，也不足以验证其全面文献主张。
原文摘要
Synthetic control (SC) methods are among the most widely used tools for causal inference without randomization. The standard Gaussian confidence interval around the estimated effect is simple, fast, and reliably directional when the treatment signal is strong, so practitioners default to it for good reason. Most treated populations, however, are bottom-heavy in intensity, and for them the SC model's systematic bias rivals or exceeds the signal even under good pre-treatment fit. Because this bias shares sign across units it does not average out, and the Gaussian confidence interval shrinks past it and converges on a wrong center. The failure is not imprecision but misdirection: a positive effect estimated as negligible is a missed opportunity, while a negligible effect estimated as significantly positive leads to continued investment in an intervention that is not working. No existing confidence interval for the SC effect measures this bias. We propose a placebo-in-time bootstrap that estimates the bias distribution directly from the observed panel. For each treated unit the procedure backdates the treatment onset and refits the SC model at each placebo onset; the resulting placebo gaps are draws from the same bias distribution that contaminates the real estimate, and bootstrapping them yields a critical value calibrated at the zero null. Because the method resamples realized model error rather than a hypothesized effect, coverage is trajectory-agnostic: it holds at fixed width regardless of how the true effect evolves over time.