跳转至

Compositional Synthetic Controls

作者: Onil Boussim
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2607.16991

一、领域脉络与小综述

这个方向是什么

本文处理的根本问题是：当结果变量是成分型数据（即份额向量，位于单纯形上）时，如何为单个处理单元构造反事实，从而估计政策或干预的因果效应。这类数据在经济学中极为常见（如GDP部门份额、投票份额、能源结构份额），但标准合成控制方法（SCM）直接应用于份额会遭遇三个问题：多类别时权重不唯一且份额不归一、欧氏距离忽略份额间的相对结构、大份额主导小份额。本文试图在合成控制框架内，通过引入成分数据分析（CoDA）的Aitchison几何和离散选择模型的结构基础，给出一个同时解决这三个问题的估计量。

发展脉络（history）

奠基工作：合成控制方法的开创性贡献是 Abadie and Gardeazabal (2003) 和 Abadie et al. (2010)，后者正式提出用捐赠单元的凸组合拟合处理单元预处理期结果，并给出安慰剂推断。作者引用时称其为“foundational contributions”。

主要进展：后续扩展包括正则化（Doudchenko and Imbens, 2016; Abadie and L’Hour, 2017）、矩阵补全（Athey et al., 2018）、设计基推断（Chernozhukov et al., 2018）。这些工作主要针对标量或向量结果，未处理成分型数据的几何特殊性。

当前 frontier：最接近本文的方法论工作是 Gunsilius (2023) 用最优传输将合成控制扩展到分布型结果，以及 Gunsilius et al. (2024) 对流形值结果提出切向插值。作者指出 CSC 与它们的区别在于：几何不是抽象强加的，而是从选择模型推导而来；Aitchison 度量有明确的行为解释（对数几率匹配）；估计量是标准凸二次规划，无需流形专用优化。此外，Tian et al. (2023) 和 Sun et al. (2025) 论证了当成分共享潜在因子时应使用单一权重集，本文将其形式化为结构基础。

本文的位置：作者将 CSC 定位为“将合成控制方法扩展到成分型结果”的专门工具，其独特之处在于从离散选择模型出发，使 Aitchison 几何成为模型推导的结果而非外生选择，并且通过堆叠对数几率方程实现多类别信息聚合。

子线索聚类

被引文献大致落在三条子线索：

  1. 合成控制方法的核心扩展：Abadie et al. (2010)、Doudchenko and Imbens (2016)、Abadie and L’Hour (2017)、Athey et al. (2018)、Chernozhukov et al. (2018)。这些工作改进权重估计、处理高维或缺失数据、提供更精确的推断，但结果变量均为欧氏空间中的标量或向量。

  2. 非欧几里得结果变量的合成控制：Gunsilius (2023)（分布型结果，最优传输）、Gunsilius et al. (2024)（流形值结果，切向插值）、Zhu and Müller (2023) 和 Kurisu et al. (2024)（一般唯一测地线空间上的合成控制）。这些工作将合成控制推广到非线性空间，但几何选择是外生的，且优化需要流形专用算法。

  3. 多结果合成控制与成分数据统计：Tian et al. (2023) 和 Sun et al. (2025) 论证多结果共享因子时应使用单一权重，本文将其作为堆叠估计的结构理由。Aitchison (1982) 和 Egozcue et al. (2003) 提供了成分数据分析的 Hilbert 空间框架，本文将其嵌入因果推断。

这个方向在追问的核心问题

  • 问题1：如何为成分型结果构造一个“单一、自洽”的反事实份额向量，使得所有类别份额之和为1且每个份额为正？
  • 问题2：如何使估计量对份额的相对变化（而非绝对变化）敏感，从而公平对待小份额类别？
  • 问题3：如何从行为模型（而非纯几何）出发，为合成控制权重赋予经济解释？
  • 主流方法与瓶颈：现有方法要么对每个类别单独运行 SCM（导致权重不唯一、份额不归一），要么在原始份额上运行欧氏 SCM（忽略相对结构、小份额被忽视）。分布型/流形方法虽能处理非线性空间，但缺乏结构模型基础且优化复杂。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口 frame 成什么：作者声称“CSC 解决了三个根本挑战（multiplicity, geometric mismatch, scale dependence）”，并且“几何不是抽象强加的，而是从离散选择模型推导而来”。作者强调“Aitchison 度量有明确的行为解释作为对数几率匹配”，以及“估计量是标准凸二次规划，无需流形专用优化”。这些说法将 CSC 定位为比 Gunsilius (2023) 等更“结构基础”且“计算简单”的替代方案。
  • 哪些竞争路线被他淡化或回避了：作者在比较中仅与“Separate SCM”和“Euclidean SCM”对比，未与 Gunsilius (2023) 的分布型合成控制进行数值比较（例如在模拟或真实数据中比较性能）。作者也未讨论当 logit 模型误设时（例如存在未观测到的选择异质性）CSC 的稳健性。此外，作者未提及当类别数 p 很大时（例如 p>10）堆叠回归的有限样本表现，以及高维权重估计的过拟合风险。
  • 什么明显该被引/该存在、却没出现在 intro 里？ 作者未引用任何关于“合成控制中因子模型假设的检验”或“因子载荷凸包条件的可检验性”的文献。也未引用关于“成分数据回归中零值处理”的专门方法（如 multiplicative replacement 或 Bayesian 方法），尽管 Assumption 1 要求严格正性。此外，作者未提及“多类别合成控制”的贝叶斯方法或基于 Dirichlet 模型的替代方案。

张力

未见明显对立引用。各被引工作之间在方法论上互补而非矛盾：Abadie 系列提供基础，Gunsilius 系列提供非线性扩展，Sun et al. 提供多结果堆叠原则，本文将它们整合到成分数据场景。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \( j = 1,\dots,J \)：单元索引，\( j=1 \) 为处理单元，\( j=2,\dots,J \) 为捐赠单元。 - \( t = 1,\dots,T \)：时间，\( T_0 \) 为处理开始时间（\( 1 < T_0 < T \)）。 - \( k = 1,\dots,p \)：类别索引，共 \( p \) 个互斥且完备的类别。 - \( \pi_{j,t} = (\pi_{1,j,t},\dots,\pi_{p,j,t}) \in \mathcal{S}^{p-1} \)：单元 \( j \) 在时间 \( t \) 的份额向量，位于概率单纯形 \( \mathcal{S}^{p-1} = \{ \pi \in \mathbb{R}^p_+ : \sum_k \pi_k = 1 \} \)。 - \( \pi^0_{j,t}, \pi^1_{j,t} \)：潜在结果，分别表示未处理和接受处理时的份额向量。对于捐赠单元，\( \pi^0_{j,t} = \pi^1_{j,t} \) 对所有 \( t \) 成立；对于处理单元，\( \pi^0_{1,t} = \pi^1_{1,t} \) 当 \( t \le T_0 \)。 - 目标 estimand：处理单元在 \( t > T_0 \) 的反事实 \( \pi^0_{1,t} \)。 - \( \ell(\pi) = \left( \log\frac{\pi_1}{\pi_p}, \dots, \log\frac{\pi_{p-1}}{\pi_p} \right) \in \mathbb{R}^{p-1} \)：对数几率映射，以第 \( p \) 类为基线。 - \( \ell^{-1}(y) \)：逆映射，将 \( \mathbb{R}^{p-1} \) 中的向量映射回单纯形内部。 - \( \tilde{V}^0_{k,j,t} \)：相对系统效用（alternative \( k \) 相对于基线 \( p \) 的效用差）。 - \( \mu_j \in \mathbb{R}^F \)：单元 \( j \) 的未观测因子载荷（共同偏好结构）。 - \( Z_j \in \mathbb{R}^r \)：单元 \( j \) 的可观测时不变特征。 - \( \lambda_{k,t}, \theta_{k,t} \)：时变因子和系数。 - \( \varepsilon_{k,j,t} \)：均值为零的暂时冲击。 - \( w = (w_2,\dots,w_J) \)：权重向量，满足 \( w_j \ge 0, \sum_{j=2}^J w_j = 1 \)。 - \( w^* \)：满足凸包条件的真实权重（若存在）。 - \( \hat{w} \)：估计权重。 - \( \delta_A(\pi, \pi') \)：Aitchison 距离，定义为 \( \|\ell(\pi) - \ell(\pi')\|_2 \)。

模型： - 个体选择由随机效用模型生成：\( U_{ik,j,t} = V^0_{k,j,t} + \varepsilon_{ik,j,t} \)，其中 \( \varepsilon \) 为 i.i.d. 类型-I 极值分布。则选择概率为多项 logit：\( \pi^0_{k,j,t} = \exp(V^0_{k,j,t}) / \sum_\ell \exp(V^0_{\ell,j,t}) \)。 - 相对系统效用 \( \tilde{V}^0_{k,j,t} = V^0_{k,j,t} - V^0_{p,j,t} \) 满足交互固定效应模型：

\[\tilde{V}^0_{k,j,t} = \delta_{k,t} + \theta_{k,t}' Z_j + \lambda_{k,t}' \mu_j + \varepsilon_{k,j,t}.\]
关键：因子载荷 \( \mu_j \) 对所有 \( p-1 \) 个相对效用方程相同（共享偏好结构）。 - 可观测数据：每个单元-时间点的份额向量 \( \pi_{j,t} \)（可直接观测，或从个体数据聚合得到）。研究者实际能观测到的是 \( \pi_{j,t} \)（以及可能的 \( Z_j \)），而想要但观测不到的是反事实 \( \pi^0_{1,t} \)（\( t > T_0 \)）以及潜在因子 \( \mu_j \)、冲击 \( \varepsilon_{k,j,t} \)。

可观测数据： - 研究者拥有面板数据：\( \{\pi_{j,t}: j=1,\dots,J, t=1,\dots,T\} \)，以及可能的单元特征 \( Z_j \)。 - 处理时间 \( T_0 \) 已知。 - 假设所有份额严格为正（Assumption 1），否则需加小常数。

第二步：讲最小内核

最简特例：设 \( p = 3 \)（三个类别：天然气、煤油、可再生能源），\( J \) 个单元（1个处理 + \( J-1 \) 个捐赠者），\( T_0 \) 个预处理期。我们剥去一般性设定，聚焦于支撑整篇论文的核心数学事实。

核心思路：通过对数几率变换 \( \ell(\pi) \)，将单纯形上的份额映射到欧氏空间 \( \mathbb{R}^{2} \)。在 \( \ell \)-空间上，标准合成控制的凸包条件（处理单元的因子载荷位于捐赠者因子载荷的凸包内）直接给出反事实的对数几率是捐赠者对数几率的凸组合。然后通过逆映射 \( \ell^{-1} \) 得到反事实份额，该份额自动为正且和为1。等价地，反事实份额是捐赠者份额在 Aitchison 度量下的加权几何平均（Fréchet 重心）。

具体展开： 1. 对每个单元 \( j \) 和时间 \( t \)，计算对数几率向量：

\[\ell(\pi_{j,t}) = \left( \log\frac{\pi_{1,j,t}}{\pi_{3,j,t}}, \log\frac{\pi_{2,j,t}}{\pi_{3,j,t}} \right) \in \mathbb{R}^2.\]
2. 假设存在权重 \( w^* \) 使得处理单元的因子载荷 \( \mu_1 \) 和特征 \( Z_1 \) 是捐赠者的凸组合（Assumption 3）。则从因子模型（Assumption 2）可得：
\[\ell(\pi^0_{1,t}) = \sum_{j=2}^J w_j^* \ell(\pi^0_{j,t}) + \eta_{1,t},\]
其中 \( \eta_{1,t} \) 是均值为零的误差项。忽略误差，反事实对数几率为 \( \hat{y}_t = \sum_{j=2}^J \hat{w}_j \ell(\pi_{j,t}) \)。 3. 通过逆映射得到反事实份额：
\[\hat{\pi}^0_{1,1,t} = \frac{e^{\hat{y}_{1,t}}}{1 + e^{\hat{y}_{1,t}} + e^{\hat{y}_{2,t}}}, \quad \hat{\pi}^0_{2,1,t} = \frac{e^{\hat{y}_{2,t}}}{1 + e^{\hat{y}_{1,t}} + e^{\hat{y}_{2,t}}}, \quad \hat{\pi}^0_{3,1,t} = \frac{1}{1 + e^{\hat{y}_{1,t}} + e^{\hat{y}_{2,t}}}.\]
这些份额自动为正且和为1。 4. 几何解释：在 Aitchison 几何下，反事实份额是捐赠者份额的加权几何平均（归一化）：
\[\hat{\pi}^0_{k,1,t} = \frac{\prod_{j=2}^J \pi_{k,j,t}^{\hat{w}_j}}{\sum_{\ell=1}^3 \prod_{j=2}^J \pi_{\ell,j,t}^{\hat{w}_j}}.\]
这是 Fréchet 重心在单纯形上的显式形式。

为什么这是最小内核：整篇论文的一般性（任意 \( p \)、因子模型、堆叠估计、一致性证明）都是这个特例的“加壳”。核心数学困难在于：① 如何将对数几率变换与合成控制的因子模型假设衔接（通过离散选择模型）；② 如何证明凸包条件在 \( \ell \)-空间仍成立（Proposition 1）；③ 如何将多个类别的信息通过堆叠聚合（Sun et al. 2025 原则）。最简特例中，\( p=3 \) 使得 \( p-1=2 \) 个对数几率方程，堆叠后有效样本量为 \( 2T_0 \)，一致性可通过 \( T_0 \to \infty \) 或 \( p \to \infty \) 实现。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文为成分型结果变量（份额向量）开发了一个合成控制估计量（CSC），用于在单个处理单元、多个捐赠者的面板数据中估计政策对份额分布的反事实和因果效应。
  2. 核心工具/方法：从随机效用模型（多项 logit）出发，将对数几率映射作为桥梁，将交互固定效应模型施加于相对系统效用，通过凸包条件识别反事实为捐赠者对数几率的凸组合；估计通过堆叠所有预处理期和所有类别的对数几率方程，转化为一个凸二次规划问题。
  3. 主要结论：CSC 产生单一、自洽的反事实份额向量（自动为正且和为1），其权重具有偏好相似性的行为解释；Aitchison 度量对称对待所有类别的相对变化，避免了欧氏 SCM 对小份额类别的忽视；在宾夕法尼亚州电力结构应用中，发现天然气份额在 2022 年超出反事实近 60 个百分点，可再生能源相对下降。

关键设定与假设

  • Assumption 1 (Positivity)：所有份额严格为正。这是对数几率变换的前提。实践中可通过加小常数放松。
  • Assumption 2 (Factor model)：相对系统效用 \( \tilde{V}^0_{k,j,t} \) 服从交互固定效应模型，包含类别-时间固定效应 \( \delta_{k,t} \)、可观测特征 \( Z_j \) 的时变系数、未观测因子载荷 \( \mu_j \) 的时变因子 \( \lambda_{k,t} \)，以及均值为零的暂时冲击。关键：因子载荷 \( \mu_j \) 对所有 \( p-1 \) 个相对效用方程相同（共享偏好结构）。相比标准 SCM 的因子模型（通常假设结果本身有因子结构），本文将其施加于对数几率（即偏好参数），这是结构上的深化。
  • Assumption 3 (Convex hull)：存在权重 \( w^* \) 使得处理单元的 \( Z_1 \) 和 \( \mu_1 \) 是捐赠者的凸组合。这是标准合成控制识别条件在 \( \ell \)-空间的移植。作者指出这是“the same condition that motivates the standard synthetic control estimator, transposed to the space of preference parameters”。
  • 额外假设（用于一致性）：暂时冲击独立于 \( (k,t) \) 且四阶矩有界；真实权重 \( w^* \) 在 \( \mathcal{W}_{J-1} \) 中唯一。这些是标准极值估计量条件。

相比已有文献的放宽/强化：相比 Gunsilius (2023) 的分布型合成控制，本文的假设更具体（logit + 因子模型），但换来了更简单的估计（凸二次规划 vs. 最优传输）和更直接的行为解释。相比标准 SCM，本文要求因子模型施加于对数几率而非原始份额，这既是一种强化（需要 logit 结构）也是一种放宽（允许非线性变换）。

主要结果

  • Proposition 1 (Identification)：在 Assumptions 1-3 下，处理单元的反事实对数几率等于捐赠者对数几率的凸组合加上均值为零的误差项。反事实份额由 \( \ell^{-1} \) 给出，自动为有效成分。证明直接来自因子模型和凸包条件。
  • Proposition 2 (Consistency)：当 \( (p-1)T_0 \to \infty \)（固定 \( J \)）时，估计权重 \( \hat{w} \) 依概率收敛到真实权重 \( w^* \)。证明使用标准极值估计量定理，关键点是堆叠后的有效样本量为 \( N = (p-1)T_0 \)，且目标函数是凸的、权重空间紧致。这意味着一致性可通过长面板（\( T_0 \to \infty \)）或类别数增长（\( p \to \infty \)）实现。
  • Proposition 3 (Scale dependence of Euclidean SCM)：欧氏距离近似为 \( \sum_k (\pi^0_k)^2 (\log \pi_k / \pi'_k)^2 \)，即小份额类别的对数比率被 \( (\pi^0_k)^2 \) 严重压低。Aitchison 距离则对称对待所有类别。证明通过一阶展开。
  • Remark 3 (Geometric interpretation)：反事实份额是捐赠者份额在 Aitchison 度量下的 Fréchet 重心，即归一化的加权几何平均。这给出了显式公式。

证明路线与技术技巧

整体路线（以 Proposition 1 和 2 为例）：

  1. 从选择模型到对数几率：由多项 logit 公式，\( \ell(\pi^0_{j,t}) = \tilde{V}^0_{j,t} \)（相对系统效用向量）。这一步将可观测份额与不可观测偏好参数连接。
  2. 因子模型代入：将 Assumption 2 的因子模型代入 \( \tilde{V}^0_{j,t} \)，得到 \( \ell(\pi^0_{j,t}) = \delta_t + \Theta_t Z_j + \Lambda_t \mu_j + \varepsilon_{j,t} \)。
  3. 凸包条件消去：对任意权重 \( w \)，计算 \( \ell(\pi^0_{1,t}) - \sum_j w_j \ell(\pi^0_{j,t}) \)。代入 Assumption 3（\( Z_1 = \sum w_j^* Z_j, \mu_1 = \sum w_j^* \mu_j \)），前两项消失，仅剩误差项。得到 Proposition 1。
  4. 估计：权重通过最小化预处理期 Aitchison 距离（即 \( \ell \)-空间欧氏距离）得到。由于 \( \ell \) 是等距映射，目标等价于 \( \sum_t \|\ell(\pi_{1,t}) - \sum_j w_j \ell(\pi_{j,t})\|^2_2 \)。堆叠所有 \( p-1 \) 个坐标和 \( T_0 \) 个时间点，得到凸二次规划。
  5. 一致性证明：将堆叠后的目标函数写为 \( Q_N(w) = \frac{1}{N} \sum_{k,t} (y_{k,t} - \sum_j w_j x_{k,t,j})^2 \)。在真实权重 \( w^* \) 处，\( y_{k,t} - \sum_j w_j^* x_{k,t,j} = \eta_{k,1,t} \) 均值为零。由于 \( w^* \) 唯一且目标函数在紧集上一致收敛，极值估计量一致。关键：\( N = (p-1)T_0 \to \infty \) 保证收敛。

关键跳跃点： - 从份额到对数几率的变换是“结构性的”：它使得因子模型可以施加于偏好参数而非份额本身，从而保留了合成控制识别逻辑。难点在于证明这个变换不破坏凸包条件的有效性——作者通过直接代入因子模型解决。 - 堆叠多个对数几率方程的有效性依赖于因子载荷 \( \mu_j \) 在所有方程中相同。这是从离散选择模型推导出的结构性质，而非外生假设。作者引用 Sun et al. (2025) 的多结果堆叠原则，但本文提供了结构基础。

技术技巧点名： - 对数几率变换与等距映射：将单纯形上的 Aitchison 距离映射为欧氏距离，使估计问题转化为标准凸二次规划。 - 堆叠回归（stacked regression）：将 \( p-1 \) 个对数几率方程和 \( T_0 \) 个时间点堆叠成 \( N = (p-1)T_0 \) 个标量观测，利用共享因子载荷提高有效样本量。 - 极值估计量定理（Newey and McFadden, 1994）：用于一致性证明，利用目标函数的凸性和权重空间的紧致性。 - 一阶展开：在 Proposition 1 中从对数几率反推到份额时使用 delta method 处理误差项。 - Fréchet 重心显式公式：利用 Aitchison 几何的 Hilbert 空间结构，给出反事实份额为加权几何平均的闭式解。

真实例子与应用

数据：美国能源信息署（EIA）1990-2023 年州级净发电量数据，聚合为三个类别：天然气、煤和油、可再生能源（常规水电、风电、太阳能、地热等）。处理单元为宾夕法尼亚州，处理日期为 2003 年（AEPS 法案 2004 年通过，以 2003 年为预处理最后一年），预处理期 14 年，后处理期 20 年。捐赠池排除有结构零的州、同期采用类似政策的州（俄亥俄、西弗吉尼亚），以及佛蒙特州（天然气和化石份额极低导致对数几率极端）。

方法应用：按 Algorithm 1 计算权重，得到 9 个捐赠者获得正权重（伊利诺伊 0.233、怀俄明 0.208、爱荷华 0.168 等）。预处理期 Aitchison RMSPE 为 0.187，份额 RMSPE 为 1.34 个百分点，拟合良好。

结果：天然气份额持续超出反事实，2022 年达到 60.4 个百分点的 ATT；煤油份额相应下降；可再生能源份额的 ATT 在后期为负（约 -36 个百分点），表明可再生能源虽绝对增长但相对天然气失去份额。对数比率效应（LRTE）显示天然气相对煤油的比率在 2022 年约为反事实的 10.7 倍。Aitchison 距离从 2004 年的 0.76 增长到 2022 年的 2.53。

推断：安慰剂检验（保留预处理 RMSPE ≤ 5 倍处理单元的捐赠者）得到 35 个保留捐赠者，其中 3 个的 Aitchison RMSPE 比率大于宾夕法尼亚的 9.18，p 值为 4/36 ≈ 0.111。作者指出该 p 值受限于捐赠者数量，并建议未来使用共形推断。

这个例子想说明什么：① CSC 能捕捉到成分型结果中类别间的相对变化（天然气 vs 可再生能源的此消彼长），而单类别分析会遗漏这种互动；② 权重来自偏好相似性（coal-intensive states 获得高权重），具有行为解释；③ 预处理拟合良好，后处理效应显著且持续；④ 安慰剂检验显示效应在捐赠者分布中处于极端但未达传统显著性，部分原因是其他州也经历了天然气转型。

🔎 结论是否比证明窄

  • 作者在 Proposition 1 中严格证明了在凸包条件下反事实对数几率是捐赠者对数的凸组合加误差，但随后在 Remark 3 中声称“反事实是 Fréchet 重心”时，忽略了误差项 \( \eta_{1,t} \) 的影响。严格来说，只有忽略误差时反事实才是精确的 Fréchet 重心；有误差时只是近似。作者在 (14) 中写了 \( O_p(\|\eta_{1,t}\|) \)，但在几何解释中未再强调。
  • 一致性证明（Proposition 2）要求 \( (p-1)T_0 \to \infty \) 且 \( J \) 固定。作者在 Remark 4 中声称“consistency can be achieved in two regimes: long-panel and many-categories”，但证明中并未处理 \( p \to \infty \) 时可能出现的维数问题（如 \( p \) 增长时对数几率变换的稳定性、堆叠矩阵的条件数）。这更像是一个 conjecture 而非严格证明。
  • 作者在结论部分提到“three extensions are natural”，但未给出任何理论或模拟证据支持这些扩展的可行性。例如，协变量增强可能破坏凸包条件的简洁性；惩罚可能引入偏差；共形推断需要处理序列相关（作者引用了 Chernozhukov et al. 2018，但该文处理的是时间序列共形推断，需调整到 Aitchison 度量）。

四、开放问题

  1. 当 \( p \) 很大时堆叠回归的有限样本表现：作者证明一致性需要 \( (p-1)T_0 \to \infty \)，但未讨论 \( p \) 相对于 \( T_0 \) 很大时（例如 \( p=50, T_0=10 \)）权重估计的方差和过拟合风险。扎根于 Proposition 2 的证明条件（固定 \( J \)，\( N \to \infty \)）以及 Remark 4 中“many-categories regime”的未严格证明性质。

  2. 因子载荷凸包条件的可检验性：Assumption 3 要求处理单元的未观测因子载荷 \( \mu_1 \) 位于捐赠者载荷的凸包内，但 \( \mu_j \) 不可观测。作者未提供任何诊断或敏感性分析来评估该假设的合理性。扎根于 Assumption 3 的陈述以及作者在 identification 部分未讨论假设检验。

  3. 共形推断在 Aitchison 度量下的具体实现：作者在 Remark 5 和结论中建议使用共形推断获得精确覆盖的置信集，但未给出具体算法或理论保证。Chernozhukov et al. (2018) 的共形推断针对时间序列数据，但需要调整到 Aitchison 距离和合成控制设定（如如何处理权重估计的不确定性）。扎根于 Section 5 的 Remark 5 和 Section 7 的第三点扩展。

  4. 当 logit 模型误设时的稳健性：CSC 的识别依赖于多项 logit 的特定形式（类型-I 极值冲击）。如果真实选择过程是混合 logit 或 probit，对数几率与相对系统效用之间的线性关系不再成立。作者在 Remark 1 中提及 GEV 和嵌套 logit 可扩展，但未讨论一般误设下的偏倚。扎根于 Section 3.1 的 Remark 1 以及作者未进行任何模拟研究检验模型误设的稳健性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论