合成控制法
Compositional Synthetic Controls
- California Polytechnic State University（加州州立理工大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
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。
AI中文摘要：
本文针对成分结果（由潜在分类过程生成的份额向量）开发了一种合成控制估计器。该估计器源于对相对系统效用具有交互固定效应的随机效用模型，将成分映射到对数优势，标准凸包条件将反事实识别为捐赠者对数优势的凸组合。等效地，它在艾奇逊度量下恢复弗雷歇重心，使用一组权重跨所有类别。还开发了基于艾奇逊距离的安慰剂推断程序。对宾夕法尼亚州遵循替代能源组合标准后的发电组合的应用揭示了一个巨大且持续的成分转变：到2022年，天然气比其反事实超出近60个百分点，而可再生能源失去相对优势。
英文摘要：
When applying synthetic control to compositional outcomes (budget, vote shares), researchers commonly minimize Euclidean distances between raw shares. I propose constructing synthetic controls in Aitchison geometry, using centered log-ratio coordinates to select donor weights and form counterfactuals. This approach respects proportional comparisons and is exactly invariant to common multiplicative changes in relative odds. Under a multinomial-choice model, its weights summarize similarity in relative utility indices. Monte Carlo simulations, including a CES allocation model, show that this method performs better when relative incentives determine shares. An application to U.S. school finance demonstrates that this choice can alter reported inference.
