arXiv 2210.050262022-10econ.EMstat.APstat.COstat.ME

交错处理采用下合成控制的置信度量化

Uncertainty Quantification in Synthetic Controls with Staggered Treatment Adoption

Matias D. Cattaneo, Yingjie Feng, Filippo Palomba, Rocio Titiunik

AI总结：

本文提出了一种针对交错处理采用设置下合成控制预测的置信度量化方法，通过提供非渐近覆盖概率保证、支持非线性约束、引入稳健锥优化及数据驱动调参，实现了跨处理后时期的有效一致推断。

摘要：

我们提出了有原则的预测区间，用于量化交错处理采用设置下的一大类合成控制预测（或估计量）的不确定性，提供了精确的非渐近覆盖概率保证。从方法论角度，我们详细讨论了要预测的不同因果量（我们称之为因果预测对象），允许多个处理单元在可能不同的时间点采用处理。从理论角度，我们的置信度量化方法改进了先前的文献，通过 (i) 覆盖交错采用设置下的一大类因果预测对象，(ii) 允许可能具有非线性约束的合成控制方法，(iii) 提出可扩展的稳健锥优化方法和有原则的数据驱动调谐参数选择，以及 (iv) 提供跨处理后时期的有效一致推断。我们通过一项实证应用阐明了我们的方法，该应用研究经济自由化对撒哈拉以南非洲国家人均实际 GDP 的影响。配套软件包在 Python、R 和 Stata 中提供。

英文摘要：

We propose principled prediction intervals to quantify the uncertainty of a large class of synthetic control predictions (or estimators) in settings with staggered treatment adoption, offering precise non-asymptotic coverage probability guarantees. From a methodological perspective, we provide a detailed discussion of different causal quantities to be predicted, which we call causal predictands, allowing for multiple treated units with treatment adoption at possibly different points in time. From a theoretical perspective, our uncertainty quantification methods improve on prior literature by (i) covering a large class of causal predictands in staggered adoption settings, (ii) allowing for synthetic control methods with possibly nonlinear constraints, (iii) proposing scalable robust conic optimization methods and principled data-driven tuning parameter selection, and (iv) offering valid uniform inference across post-treatment periods. We illustrate our methodology with an empirical application studying the effects of economic liberalization on real GDP per capita for Sub-Saharan African countries. Companion software packages are provided in Python, R, and Stata.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

AI总结：

摘要：

英文摘要：

相关论文