Regression to the Mean's Impact on the Synthetic Control Method: Bias and Sensitivity Analysis
为了从观察数据中提出明智的政策建议，我们必须能够从随机噪声和混杂效应中辨别出真正的处理效应。基于治疗前结局将治疗单位与对照单位相匹配的差异技术（如综合对照方法）已作为解释混淆的原则性方法提出。然而，我们发现，使用合成对照或其他匹配程序可以引入回归到平均值（RTM）偏差估计的平均处理效应的治疗。通过模拟，我们发现RTM偏差会导致膨胀的第一类错误率，以及在典型的政策评估设置的功率下降。此外，我们提供了一种新的校正RTM偏差，可以减少偏差，并获得适当的第一类错误率。该校正可用于执行敏感性分析，以确定RTM如何影响结果。我们使用我们提出的校正和敏感性分析重新分析数据的影响，加州的99号提案，一个大规模的烟草控制计划，全州吸烟率。
2019-09-10 econ.EM stat.ME
Assessing the Sensitivity of Synthetic Control Treatment Effect Estimates to Misspecification Error
我们提出了一个敏感性分析的合成控制（SC）处理效应估计询问的假设，SC方法是指定的，即选择权重，以尽量减少治疗前的预测误差产生准确的预测，反事实的治疗后的结果。我们的数据驱动的程序恢复的一组处理效应一致的假设，由SC方法所产生的误设定误差是最多的观察到的误设定误差时，使用SC估计预测的结果，一些控制单元。我们表明，在一个定义的误设误差，我们的程序提供了一个简单的，几何动机比较估计的处理效应的安慰剂残差的分布，以评估估计的可信度。当我们将我们的程序应用于几个报告SC估计的典型研究时，我们广泛地证实了源文件得出的结论。
2021-02-21 econ.EM stat.ME
Distributional synthetic controls
本文扩展了广泛使用的综合控制估计评估的因果影响的政策变化的分位数函数。所提出的方法提供了一个几何上忠实的估计整个反事实分位数函数的治疗单位。它的吸引力源于通过受约束的分位数对分位数回归的有效实现。这构成了独立利益的新概念。该方法提供了一个独特的反事实分位数函数在任何情况下：连续，离散或混合分布。它在重复的横截面和面板数据中运行，仅需一个预处理期。文章还提供了抽象的识别结果，表明任何合成控制方法，经典或我们的推广，提供了正确的反事实的因果模型，保持结果分布之间的距离。使用整个分位数函数而不是聚合值可以测试反事实分布和观察分布的相等性和随机优势。它可以提供标准结果的因果推断，如平均或分位数处理效应，但也可以提供更一般的概念，如反事实洛伦兹曲线或四分位数间距。
2021-12-30 econ.EM stat.ME
On the Assumptions of Synthetic Control Methods
综合控制（SC）方法已被广泛应用于估计大规模干预的因果效应，例如，政策改变对全州的影响综合控制的思想是使用其他一些单位的观察结果的加权组合来近似一个单位的反事实结果。本文的动机问题是：供应链策略如何导致有效的因果推断？我们通过用更细粒度的模型重新制定SC所针对的因果推断问题来解决这个问题，其中我们将分析的单位从“大单位”（例如，状态）到“小单元”（例如，国家的人）。在这种重新制定，我们推导出充分条件的因果效应的非参数因果识别。我们强调两个意义的重新表述：（1）它澄清了“线性”从何而来，以及它如何自然地落在更细粒度和灵活的模型，（2）它提出了新的方法，使用可用的数据与SC方法有效的因果推断，特别是，新的方法选择的观察，估计反事实。
2021-12-14 econ.EM stat.ME
Synthetic Blips: Generalizing Synthetic Controls for Dynamic Treatment Effects
Columbia University（哥伦比亚大学）；University of Bristol（布里斯托大学）；Stanford University（斯坦福大学）
本文提出合成脉冲方法，将合成控制推广至动态处理效应，通过反向归纳递归表达脉冲效应，避免组合供体需求，并在韩国企业数据上估计最优处理分配。
2026-09-14 cs.LG econ.EM stat.ME
On the Misspecification of Linear Assumptions in Synthetic Control
综合控制（SC）方法是一种流行的方法，用于从观察性面板数据估计处理效应。它依赖于一个关键的假设，即我们可以将处理过的单元写为未处理单元的线性组合。然而，这种线性假设在实践中不太可能成立，当违反时，所得的SC估计值是不正确的。在本文中，我们研究了两个问题：（1）多大的错定误差？(2)我们如何限制它？首先，我们提供了理论界来量化误设误差。界限令人欣慰：小的错误设定会导致小的错误。有了这些界限在手，我们然后开发新的SC估计，专门设计，以尽量减少误设误差。估计是基于额外的数据，每个单位，这是用来产生SC的权重。(For例如，如果单位是国家，则附加数据可以是关于每个国家的人口统计信息。我们研究我们的估计合成数据，我们发现他们产生更准确的因果估计比标准的合成控制。然后，我们重新分析了原始SC文件中的加利福尼亚州烟草计划数据，现在包括来自美国人口普查的有关每个州人口统计的额外数据。我们的估计表明，在治疗前的观察期内的误设误差的范围内，而治疗后的观察位于这些界限之外。这证明我们的SC方法发现了真实的效果。
2023-02-24 econ.EM stat.ME
Double and Single Descent in Causal Inference with an Application to High-Dimensional Synthetic Control
研究因果推断中高维模型的双重下降现象，发现过参数化线性回归与合成控制可提升插补和估计性能，并统一解释为模型平均效应。
2023-10-12 econ.EM stat.ME stat.ML
Prediction Intervals for Synthetic Control Methods
不确定性量化是综合控制方法分析和解释中的一个基本问题。我们在SC框架中开发了条件预测区间，并提供了这些区间提供有限样本概率保证的条件。我们的方法允许协变量调整和非平稳数据。该结构首先注意到，SC预测的统计不确定性由两个不同的随机性来源决定：一个来自治疗前阶段（可能错误指定）SC权重的结构，另一个来自治疗后阶段（分析处理效应时）不可观察的随机误差。因此，我们提出的预测区间的构建考虑到这两个来源的随机性。为了实现，我们提出了一种基于模拟的方法，以及基于有限样本的概率界参数，自然导致原则性的敏感性分析方法。我们说明了我们的方法使用经验应用程序和一个小的模拟研究的数值性能。实施我们的方法的\texttt{Python}、\texttt{R}和\texttt{Stata}软件包是可用的。
2021-09-07 econ.EM stat.ME
Synthetic Controls with Staggered Adoption
不同单位在不同时间交错采用政策，为观察因果推断创造了有希望的机会。然而，估计仍然具有挑战性，常见的回归方法可能会产生误导性的结果。一个有前途的替代方法是综合控制方法（SCM），它找到了一个加权平均的控制单元，密切平衡处理单元的预处理结果。在本文中，我们推广SCM，最初设计研究一个单一的处理单元，交错采用设置。我们首先限制了平均效应的误差，并表明它取决于每个处理单元的不平衡和处理单元平均值的不平衡。然后，我们提出了“部分汇集”SCM的权重，以尽量减少这些措施的加权组合，方法只侧重于平衡两个组件之一，可能会导致偏见。我们扩展这种方法，将单位级截距的变化和辅助协变量。我们通过广泛的模拟评估所提出的方法的性能，并将我们的结果应用于教师集体谈判是否会导致更高的学校支出的问题，发现影响最小。我们在augsynth R包中实现了所提出的方法。
2021-01-15 econ.EM stat.ME
scpi: Uncertainty Quantification for Synthetic Control Methods
综合控制方法提供了一种量化干预效果的方法，使用未处理单元的加权平均值来近似处理单元在没有干预的情况下会经历的反事实结果。该方法对于观察性研究中的项目评价和因果推断是有用的。我们介绍了使用合成控件进行预测和推理的软件包scpi，该软件包在Python，R和Stata中实现。对于处理效应的点估计或预测，该软件包提供了一系列利用最新优化方法的方法（可能会受到惩罚）。对于不确定性量化，该软件包提供了Cattaneo，Feng和Titiunik（2021）以及Cattaneo，Feng，Palomba和Titiunik（2022）介绍的预测区间方法。文中包括数值例子和与其他综合控制软件的比较。
2022-10-11 econ.EM stat.AP stat.CO
A Synthetic Control Approach to Conditional Distributional Treatment Effects
University of Cologne（科隆大学）
提出基于分布回归模型的合成控制框架估计条件分布处理效应，通过最小二乘权重估计反事实分布，并推导渐近分布与检验统计量。
2026-06-08 econ.EM stat.ME
disco: Distributional Synthetic Controls
Emory University（埃默里大学）；University of Virginia（弗吉尼亚大学）
研究利用观测数据评估政策变化因果效应时，介绍迪斯科命令实现分布合成控制方法，能为处理单元构建合成分布，提供多种汇总方案、推断程序及可视化功能，还通过复制实证说明其使用。
2026-07-14 econ.EM stat.ME stat.ML
Dynamical systems theory for causal inference with application to synthetic control methods
本文将非线性时间序列分析的结果应用于动态环境下的因果推断。我们的动机是政策分析与面板数据，特别是通过使用“综合控制”的方法。这些方法将治疗单元的干预前结果回归到对照单元池的结果，然后使用拟合的回归模型来估计干预后的因果效应。在这种情况下，我们建议筛选出控制单元，有一个弱的动态关系的治疗单位。在模拟中，我们表明，这种方法可以减轻偏见的“樱桃采摘”的控制单元，这通常是一个重要的问题。我们说明了现实世界的应用程序，包括烟草立法的例子\citet{Abadie2010}，和英国脱欧。
2020-02-29 stat.ME
Identification and Inference for Synthetic Controls with Confounding
本文在存在未观测混杂的面板数据中，利用随机因子模型研究处理效应的识别与推断，揭示时间与个体层面混杂的权衡，并为多种合成控制估计量建立渐近推断结果。
2023-12-01 econ.EM math.ST stat.ME
Synthetic Design: An Optimization Approach to Experimental Design with Synthetic Controls
我们调查的最佳设计的实验研究，有治疗前的结果数据。平均处理效应估计为处理单元和对照单元的加权平均结果之间的差异。一些常用的方法适合这个公式，包括均值差估计和各种综合控制技术。我们提出了几种方法来选择一组治疗单位结合的权重。观察NP-硬度的问题，我们引入了一个混合整数规划制定，选择治疗和控制集和单位权重。我们证明，这些建议的方法导致定性不同的实验单位被选择治疗。我们使用的模拟的基础上，从美国劳工统计局的公开数据，显示改善方面的均方误差和统计功效相比，简单和常用的替代品，如随机试验。
2021-12-01 stat.ME stat.ML
Non-parametric identifiability and sensitivity analysis of synthetic control models
University College London（伦敦大学学院）；Spotify（Spotify公司）；Imperial College London（帝国理工学院）
量化因果关系是许多领域中的重要问题。金标准解决方案是进行随机对照试验。然而，在许多情况下，这种试验无法进行。在缺乏此类试验的情况下，人们设计了许多方法，在给定某些假设的情况下，根据观察数据量化干预措施的因果影响。一种广泛使用的方法是综合控制模型。虽然这种模型中的因果被估量的可识别性已经从一系列假设中获得，但人们广泛而含蓄地假设，干预前和干预后的所有时间段都满足基本假设。这是一个强有力的假设，因为综合控制模型只能在干预前阶段学习。在本文中，我们解决这一挑战，并证明可识别性，可以获得不需要这个假设，通过显示它遵循不变的因果机制的原则。此外，第一次，我们制定和研究综合控制模型在珍珠的结构因果模型框架。重要的是，我们提供了一个一般的框架，敏感性分析的合成控制因果推断违反的假设基础非参数可识别性。最后，我们提供了一个实证证明我们的敏感性分析框架的模拟和实际数据中广泛使用的线性综合控制框架。
2023-01-18 cs.AI cs.LG stat.ME
Doubly Robust Proximal Synthetic Controls
本文提出基于近端因果推断和协变量偏移的合成控制新识别公式及广义矩估计量，其中一个估计量在结局模型或加权模型至少一个正确时具有双重稳健性，并用于评估巴西肺炎球菌结合疫苗对全因肺炎风险的效果。
2024-05-06 stat.ME
A L-infinity Norm Synthetic Control Approach
本研究从加权视角解读合成控制框架，提出L无穷正则化合成控制方法，融合DID稠密加权的稳健性与传统合成控制的灵活性，配套高效算法与渐近理论，实验验证其有限样本性能优异。
2025-10-30 stat.ME
Caliper Synthetic Matching: Generalized Radius Matching with Local Synthetic Controls
本文提出卡尺合成匹配（CSM）方法，通过扩展粗化精确匹配并引入广义距离、自适应卡尺和局部合成对照，在保持透明性的同时提升匹配性能，并证明其具有不平衡有界性，模拟和实证显示其可优于现代匹配方法。
2024-11-08 stat.AP stat.ME
Functional Synthetic Control Methods for Metric Space-Valued Outcomes
本文提出函数合成控制方法，用于处理度量空间值结果的因果效应估计与推断，通过等距嵌入到希尔伯特空间解决非线性问题，并通过模拟和实证应用验证其有效性。
2026-01-12 stat.ME
Efficiently Learning Synthetic Control Models for High-dimensional Disaggregated Data
针对高维分解数据中合成控制方法的计算效率问题，提出整合多元平方根Lasso的新方法，严格推导误差界，并在模拟和COVID-19居家令对县级失业率影响评估中验证其高效且准确。
2025-10-26 econ.TH stat.ME stat.ML
Proximal Causal Inference for Synthetic Control with Surrogates
针对合成控制在干预前数据短或预测期长时的反事实预测难题，提出利用干预后替代变量的近端因果推断与GMM估计框架，并通过模拟和1907年恐慌实证验证其优势。
2023-08-18 stat.ME
Policy Analysis using Synthetic Controls in Continuous-Time
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
使用合成控制的反事实估计是因果推断中最成功的方法学发展之一。尽管其受欢迎，但当前描述仅考虑跨单元对齐的时间序列和表达为所观察的控制单元的线性组合的合成控制。我们提出了一个连续时间的替代模型，明确使用控制微分方程的形式主义的潜在的反事实路径。该模型直接适用于不规则对齐的多变量时间序列的一般设置，并且可以在丰富的函数空间中进行优化-从而改善现有方法的一些局限性。
2021-02-02 cs.LG stat.ML
Synthetic Principal Component Design: Fast Covariate Balancing with Synthetic Controls
Stanford University（斯坦福大学）
实验的最优设计通常涉及解决NP难的组合优化问题。在本文中，我们的目标是开发一个全局收敛和实际有效的优化算法。具体来说，我们考虑一个设置，其中治疗前的结果数据是可用的，并调用合成控制估计。平均处理效应通过处理单元和对照单元的加权平均结果之间的差异来估计，其中权重是从观察到的数据中学习的。{在这种情况下，我们惊奇地发现最优实验设计问题可以简化为所谓的\textit{phase synchronization}问题。}我们解决这个问题，通过一个规范化的变体的广义功率方法与谱初始化。在理论方面，我们建立了实验设计的第一个全局最优性保证时，预处理数据是从某些数据生成过程中采样。从经验上讲，我们进行了广泛的实验，以证明我们的方法对美国劳工统计局和Abadie-Diemond-Hainmueller加州吸烟数据的有效性。在均方根误差方面，我们的算法大大优于随机设计。
2022-11-28 cs.LG econ.EM math.OC
Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework
合成对照（SC）方法通常用于在面板数据设置中估计单个处理单元的处理效应。SC是为匹配治疗单位而构建的对照单位的加权平均值，通常通过将治疗单位的治疗前结局和测量协变量与对照单位的治疗前结局和测量协变量进行回归（汇总）来估计权重。然而，已经确定的是，在没有良好拟合的情况下，这样的回归估计器通常表现不佳。在本文中，我们引入了一个近端因果推断框架，正式的SC和最终的处理效应的治疗，控制单元的观察，没有贡献的建设SC可以被重新利用为代理的潜在混杂因素的基础上，识别和推理。我们认为治疗单位和SC之间的治疗后结果的差异是一个时间序列，这为各种时间序列方法估计处理效应打开了大门。所提出的框架可以容纳非线性模型，它允许二进制和计数结果，在SC文献中研究不足。我们说明与模拟研究和应用程序，以评估1990年德国统一。
2023-02-18 stat.ME
Undersmoothed LASSO Models for Propensity Score Weighting and Synthetic Negative Control Exposures for Bias Detection
本文提出使用低平LASSO模型和合成负对照暴露来改进倾向评分加权中的偏倚检测方法。
2025-12-16 stat.ME
Time-Aware Synthetic Control
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）
TASC通过引入状态空间模型和卡尔曼滤波器，提升在强时间趋势和高噪声环境下的因果推断性能。
2026-01-06 cs.LG econ.EM stat.ML
Risk-Set Transported Synthetic Control with Difference-in-Differences Adjustment under Staggered Treatment Adoption
University of Calgary（卡尔加里大学）
针对交错处理下供体集收缩问题，提出RT-SC-DiD方法，通过向转移参考收缩权重并加双重差分校正，降低反事实估计误差，实验验证其有效性。
2026-09-18 cs.AI econ.EM q-fin.ST
Targeted Synthetic Control Method
LMU Munich（慕尼黑大学）；Munich Center of Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出定向合成控制法，通过两阶段估计直接估计反事实结果，改进了传统合成控制法的偏差问题，提升了估计准确性。
2026-05-12 cs.LG stat.ML
Consistency of an Intercept-Shifted Synthetic-Control Estimator under Weighted Parallel Trends
本文提出截距平移合成控制估计量，在加权平行趋势和温和正则条件下证明其一致性，允许重尾冲击，并扩展了有效数据生成过程池。
2025-08-07 math.ST stat.ME stat.TH
Mediation Analysis Synthetic Control
综合控制方法（SCM）允许在可获得少量治疗和对照单位的面板数据的情况下估计干预的因果效应。我们表明，现有的SCM，以及它的扩展，可以很容易地修改，以估计有多少的“总”的影响，通过观察到的因果通道。我们新的中介分析综合控制（MASC）方法需要额外的假设，可以说是温和的，在许多设置。我们说明了实施MASC的实证应用估计的直接和间接影响的反吸烟干预（加州的99号提案）。
2022-05-19 stat.AP
Synthetically Controlled Bandits
Massachusetts Institute of Technology（麻省理工学院）；Columbia University（哥伦比亚大学）
本文提出了一种新的动态实验设计方法，在设置中，由于干扰或其他问题，实验单元是粗糙的。在线平台上的“区域分割”实验就是这种情况的一个例子。在这里，实验的成本或遗憾是一个自然的问题。我们的新设计，被称为综合控制汤普森采样（SCTS），最大限度地减少了与实验相关的遗憾，对推理能力没有实际意义的损失。我们提供了理论保证表征我们的方法的接近最佳的遗憾，并实现相应的处理效应估计的错误率。合成和真实世界的数据实验突出了我们的方法相对于固定和“之字形”设计常见的实验设置的优点。
2022-02-14 cs.LG stat.ML
Balancing, Regression, Difference-In-Differences and Synthetic Control Methods: A Synthesis
在一篇开创性论文Abadie、Diamond和Hainmueller [2010]（ADH）中，另见Abadie和Gardeazabal [2003]，Abadie等人[2014]，开发了一种综合控制程序，用于在存在单个处理单元和多个对照单元的情况下估计处理效果，并观察到所有单元的处理前结局。该方法构建了一组权重，使得选定的协变量和治疗单位的治疗前结果与对照单位（合成对照）的加权平均值近似匹配。权重被限制为非负且总和为1，这很重要，因为它允许程序获得唯一的权重，即使滞后结果的数量相对于控制单元的数量是适度的，这是应用程序中的常见设置。在本文中，我们提出了一个泛化，允许的权重是负的，和他们的总和不同，从一个，并允许一个永久性的添加剂之间的差异处理单元和控制，类似于差异的程序。权重直接最小化处理单元和控制单元的滞后结果之间的距离，使用正则化方法来处理潜在的大量可能的控制单元。
2017-09-20 stat.AP stat.ML
ClusterSC: Advancing Synthetic Control with Donor Selection
Columbia University（哥伦比亚大学）
针对个体层面数据中合成控制的维度灾难问题，提出基于聚类的ClusterSC方法，仅选择相关供体，提供理论保证并在合成与真实数据上验证其性能优于经典SC。
2025-03-27 cs.LG stat.ML
Exponential Family Synthetic Controls
Data Science Institute（数据科学研究所）；Columbia University（哥伦比亚大学）
本文提出指数族合成控制（EFSC），一种基于黑盒变分推断的分布级合成控制方法，通过散度估计因果效应并验证于合成与真实数据，应用于ACA医疗补助扩展研究。
2026-09-22 cs.LG stat.ML
Digital Twins as Synthetic Controls in Single-Arm Trials
Unlearn.AI, Inc.（Unlearn人工智能公司）
本文探讨了数字孪生在单臂试验中的应用，利用机器学习模型生成个性化疾病进展预测，以构建更稳健的治疗效果估计，并讨论了数据选择和FDA指南中的实际考量。
2026-05-12 cs.LG stat.AP stat.ML
Adaptive Experiment Design with Synthetic Controls
University of Cambridge（剑桥大学）
针对患者反应异质性，提出Syntax自适应试验设计，通过自适应招募和合成对照识别有阳性治疗效果的亚群体，提升样本效率。
2024-02-09 cs.LG stat.ML
Why Synthetic Control estimators are biased and what to do about it: Introducing Relaxed and Penalized Synthetic Controls
本文扩展了文献的合成控制的理论特性的情况下，非线性生成模型，显示合成控制估计一般是有偏的，在这样的设置。我推导出一个下界的偏见，表明它的唯一组成部分，是由合成控制的选择影响的是成对的差异之间的加权和处理的单元和未处理的单元在合成控制。为了解决这种偏差，我提出了一种新的合成控制估计，允许一个恒定的差异的合成控制的治疗单位在预治疗期间，并惩罚成对的差异。允许恒定偏移使模型更加灵活，从而创建更大的潜在合成控制集，并且惩罚项允许选择将最小化偏差的潜在解决方案。我研究这个估计的属性，并提出了一个数据驱动的过程参数化的惩罚条款。
2021-11-21 econ.EM stat.ME
Synthetic Controls in Action
在这篇文章中，我们提出了一套简单的原则，以指导综合控制研究的经验实践。所提出的原则遵循合成控制估计的正式属性，并涉及到的性质，影响和预防过拟合偏差在一个合成控制框架内，结果的可解释性，以及验证练习的可用性。我们讨论并直观地展示了各种数据配置下所提出的原则的相关性。
2022-03-11 econ.EM stat.ME
Compositional Synthetic Controls
California Polytechnic State University（加州州立理工大学）
研究针对成分结果开发合成控制估计器，源于含交互固定效应的随机效用模型，能恢复弗雷歇重心，还开发了安慰剂推断程序，应用于宾夕法尼亚州发电组合，揭示了天然气和可再生能源的成分转变。
2026-09-18 econ.EM stat.ME
Bayesian and Frequentist Inference for Synthetic Controls
本文刻画线性因子模型中风险最小化权重成为合成控制的条件，提出可有效推断的贝叶斯合成控制方法，并证明其与 MLE 的渐近等价及稀疏模拟收敛，且用于两项实证研究。
2024-07-07 econ.EM stat.ME
Synthetic Regressing Control
Institute of Science and Technology for Brain-Inspired Intelligence（脑启发智能科学与技术研究所）；Fudan University（复旦大学）
本文提出合成回归控制（SRC）方法，通过单变量回归对齐预处理期数据，优化权重以提升合成控制效果，理论证明其渐近最优性。
2026-01-31 econ.EM stat.ME
Predictor Selection for Synthetic Controls
综合控制方法通常依赖于匹配的预处理特性（称为预测）的处理单元。预测量的选择和如何加权对综合控制估计量的性能和可解释性起着关键作用。本文提出了一种稀疏的合成控制过程，惩罚的数量的预测用于生成反事实选择最重要的预测。我们推导出，在一个线性因子模型的框架下，一个新的模型选择的一致性结果，并表明，惩罚过程具有更快的均方误差收敛速度。通过仿真研究，我们然后表明，稀疏综合控制实现了更低的偏差，并具有更好的后处理性能比unpenalized综合控制。最后，我们应用该方法重新研究了在加利福尼亚州的99号提案的通过，在一个增强的设置与大量的预测。
2022-12-29 econ.EM stat.ME stat.ML
The Augmented Synthetic Control Method
综合控制方法（SCM）是一种流行的方法，用于估计面板数据设置中处理对单个单元的影响。“综合控制”是控制单元的加权平均值，其尽可能接近地平衡被处理单元的预处理结果。原始提案的一个关键特征是仅在与治疗前结果的拟合非常好时才使用SCM。我们建议增强SCM作为SCM的扩展设置，这种预处理适合是不可行的。类似于不精确匹配的偏倚校正，增强SCM使用结果模型来估计由于不完美的预处理拟合而导致的偏倚，然后对原始SCM估计进行去偏倚。我们的主要建议，它使用岭回归作为结果模型，直接控制预处理拟合，同时最大限度地减少从凸包外推。这个估计器也可以表示为一个修改的合成控制问题的解决方案，允许负权重的一些捐助单位。我们绑定的估计误差，这种方法在不同的数据生成过程中，包括一个线性因子模型，并显示如何正则化有助于避免过度拟合噪声。我们展示了增强SCM的收益与广泛的模拟研究，并应用此框架来估计2012年堪萨斯州减税对经济增长的影响。我们在新的augsynth R包中实现了所提出的方法。
2020-07-23 econ.EM stat.ME
Using Multiple Outcomes to Improve the Synthetic Control Method
针对合成控制分析为每个结果估计单独权重的局限，本文提出跨结果估计共同权重的方法，在低秩因子模型下偏差更低且结果数量增加时平均法更优，还通过弗林特水危机案例验证了有效性。
2025-02-11 econ.EM stat.ME
mRSC: Multi-dimensional Robust Synthetic Control
在评估政策对感兴趣的指标的影响时，可能无法进行随机对照试验。在只有观测数据可用的情况下，综合防治（SC）方法提供了一种流行的数据驱动方法，通过结合“相似”单位（供体）的测量来估计“综合”防治。最近，鲁棒SC（RSC）被提出作为SC的推广，以克服缺失数据高水平的噪声的挑战，同时消除了对领域知识的依赖选择捐助者。然而，SC，RSC，和他们的变种，遭受从穷人的估计时，干预前的时间太短。作为主要贡献，我们提出了一个推广的一维RSC到多维RSC，mRSC。我们提出的机制结合了多个指标来估计合成控制，从而克服了从有限的预干预数据推断不佳的挑战。我们表明，mRSC算法与$K$指标导致一个相合估计量的合成控制的目标单元下的任何度量。我们的有限样本分析表明，预测误差衰减到零的速度比RSC算法的$K$和$\sqrt{K}$的训练和测试期间（干预前和干预后）的一个因素，分别。此外，我们提供了一个诊断测试，评估包括额外的指标的效用。此外，我们引入了一种机制来验证mRSC的性能：时间序列预测。也就是说，当时间的概念是相对的而不是绝对的时，我们提出了一种基于有限数据预测时间序列的未来演变的方法，即，我们有机会利用一个经历了所希望的未来演变的捐助者库。最后，我们进行实验，以确定mRSC对合成数据和两个真实案例研究（零售和板球）的有效性。
2019-09-23 econ.EM stat.ME
Synthetic Control with Weight Uncertainty: Robust Identification and Statistical Inference
Columbia University Mailman School of Public Health（哥伦比亚大学米兰恩公共卫生学院）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
DRoSC方法通过解决控制单位高度相关和关系变化问题，提供了一种更鲁棒的因果估计方法。
2026-08-18 econ.EM stat.ME
Degrees of Freedom and Information Criteria for the Synthetic Control Method
Rice University（莱斯大学）；Northwestern University（西北大学）；University of California, Berkeley（加州大学伯克利分校）
本文研究了合成控制法的度数与信息准则，用于选择惩罚变体的调节参数和加权矩阵，通过实验证明信息准则在模型选择中优于交叉验证。
2026-03-11 econ.EM stat.ME
Temporal Aggregation for the Synthetic Control Method
针对高频数据下合成控制法（SCM）处理前拟合难、易过拟合的问题，本文界定了非聚合与聚合结果下SCM的偏差范围，给出聚合收紧偏差界的条件，并提出平衡两类序列的权重求解方法。
2024-04-15 econ.EM stat.ME
Synthetic Nearest Neighbors: Extending Synthetic Controls for Matrix Completion with Missing Not at Random Data
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Southern California（南加州大学）
针对非随机缺失矩阵补全，提出合成最近邻估计器，放宽正性与独立性假设，建立误差界、一致性与渐近推断，模拟验证有效。
2026-09-15 econ.EM stat.ME stat.ML
Synthetic control method with convex hull restrictions: A Bayesian maximum a posteriori approach
综合控制方法在具有观测数据的因果研究中越来越受欢迎，特别是在估计对少数大型单位实施的干预措施的影响时。实现合成控制方法面临两个主要挑战：a）估计每个控制单元的权重以创建合成控制，以及b）提供统计推断。为了克服这些挑战，我们提出了一个贝叶斯框架，实现了合成控制方法与可移动的凸包，并提供了一个有用的贝叶斯推断，这是从惩罚最小二乘法和贝叶斯最大后验概率（MAP）方法之间的对偶。仿真结果表明，该方法导致较小的偏差相比，替代品。我们将贝叶斯方法应用于Abadie和Gardeazabal（2003）的真实数据示例，发现在治疗后阶段的子集中，处理效应具有统计学显著性。
2020-05-28 stat.ME
Another look at synthetic-type control charts
近二十年来，统计过程监控出现了大量新方法，其中综合型控制图是一个突出的组成部分。这些图表成为流行的设计有几个原因。两个最重要的是简单性和出色的变化点检测性能。虽然前者是毫无疑问的，但我们在这里讨论的是后者。我们将证明他们的表现是值得怀疑的。在以前一些持怀疑态度的文章的基础上，我们想批判性地反思最近开发的合成型控制图的变体，以强调没有理由应用和推广这类特殊的控制图。
2021-12-05 stat.ME
Single Proxy Synthetic Control
针对时间序列中单一处理单元的效应估计，提出单一代理合成控制方法，利用未处理单元结果作为代理构建有效合成控制，仅需单一类型代理即可实现识别与估计，并支持时变协变量和非线性模型。
2025-03-05 stat.ME
Synthetic Control Method with Mixed Frequency Data
School of Management, University of Science and Technology of China（中国科学技术大学管理学院）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文提出混合频率合成控制方法(MF-SCM)，有效整合混合频率数据，通过灵活的估计程序构建合成控制权重，并建立理论性质，证明估计量渐近最优，推导平均治疗效应的渐近分布并构造置信区间。
2026-05-12 stat.ME
