跳转至

Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework

作者: Xu Shi, Kendrick Li, Wang Miao, Mengtong Hu, Eric Tchetgen Tchetgen
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2108.13935


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是合成控制法(Synthetic Control, SC)的因果推断理论基础。其根本科学问题是:在仅有单个处理单元、多个未处理单元的 panel data 中,如何在存在未观测混杂因素(latent confounders)的情况下,识别并推断处理对处理单元的平均处理效应(ATT)。该方向的核心张力在于:SC 方法在实践中广泛使用,但其识别条件(如完美匹配、无未观测混杂)往往过于严格或难以验证。本文试图将proximal causal inference(PCI) 的框架引入 SC,利用"未进入 donor pool 的控制单元"作为代理变量(proxies),在 SC 拟合不佳时仍能保证识别。该方向当前成熟度较高——SC 方法本身已有大量理论和应用文献,但将其与 PCI 结合、并系统处理非线性模型与时间序列推断,是较新的尝试。

发展脉络(history)

  1. 奠基工作:SC 方法的提出与推广。Abadie & Gardeazabal (2003) 和 Abadie, Diamond & Hainmueller (2010) 提出了经典 SC 方法,其核心思想是用控制单元的加权平均构造"合成对照",要求处理单元的特征向量落在 donor 凸包内(即"完美匹配")。Abadie (2021) 进一步给出了实践指导,强调 SC 仅在匹配良好时可用。这一阶段的局限在于:识别依赖于可观测的完美匹配,未系统处理未观测混杂。

  2. 识别条件的松动与批评。Ferman & Pinto (2019, 2021) 指出,在交互固定效应模型下,若存在 idiosyncratic errors,OLS 估计的 SC 权重即使 T₀→∞ 也不一致(本文 Section 2 引用了这一结果)。这动摇了经典 SC 的估计基础,但他们的解决方案(如使用滞后结果作为工具变量)仍局限于线性模型。同时,Doudchenko & Imbens (2016) 将 SC 与回归、矩阵补全等方法统一,放宽了权重非负且和为 1 的限制。

  3. 不确定性量化与推断。Li (2020) 提出了 SC 估计量的渐近分布理论;Chernozhukov, Wüthrich & Zhu (2021) 提出了 conformal inference 方法,在弱假设下构造预测区间;Cattaneo, Feng & Titiunik (2021) 及后续工作(Cattaneo et al. 2025a)发展了条件预测区间。这一阶段将 SC 从点估计推进到推断,但大多仍假设无未观测混杂或线性结构。

  4. PCI 的兴起。Miao, Geng & Tchetgen Tchetgen (2018) 和 Tchetgen Tchetgen et al. (2020) 建立了 proximal causal inference 框架,利用负对照(negative controls) 或代理变量来调整未观测混杂。核心思想是:如果有两个独立的代理变量(如负对照暴露和负对照结局),即使混杂未观测,也可以通过求解"桥函数"(bridge function)来识别因果效应。Cui et al. (2020) 和 Shi et al. (2020) 进一步拓展了半参数理论与 multiply robust 估计。这一阶段的局限在于:PCI 主要应用于截面或短期 panel 数据,未与 SC 的时间序列结构结合。

  5. 本文的位置:将 PCI 的代理变量思想引入 SC,把"未进入 donor pool 的控制单元"重新定位为代理变量,从而在 SC 拟合不佳时仍能识别 ATT。同时,将处理效应视为时间序列中的确定性趋势,借用时间序列方法进行推断,并扩展到非线性模型(二元、计数结局)。

子线索聚类

  • 线索 A:SC 的识别与估计。包括 Abadie et al. (2010)、Abadie (2021)、Doudchenko & Imbens (2016)、Ferman & Pinto (2019, 2021)、Powell (2018)。核心问题:何时 SC 权重可识别?OLS 何时一致?这一线索的瓶颈是未观测混杂与测量误差。

  • 线索 B:SC 的推断与不确定性量化。包括 Li (2020)、Chernozhukov et al. (2021)、Cattaneo et al. (2021, 2025a)、Ben-Michael et al. (2021a, 2021b)。核心问题:如何构造有效的置信区间或预测区间?这一线索的瓶颈是假设较强(如无未观测混杂)或仅适用于线性模型。

  • 线索 C:PCI 与负对照方法。包括 Miao et al. (2018)、Tchetgen Tchetgen et al. (2020)、Cui et al. (2020)、Shi et al. (2020)、Lipsitch et al. (2010)。核心问题:如何利用代理变量在未观测混杂下识别因果效应?这一线索的瓶颈是主要处理截面数据,未充分利用 panel 的时间结构。

  • 线索 D:矩阵补全与因子模型。包括 Athey et al. (2021)、Bai & Ng (2021)、Amjad et al. (2018)。核心问题:如何从缺失数据/低秩结构中恢复反事实?这一线索与 SC 有交叉,但更强调预测而非因果识别。

这个方向在追问的核心问题

  1. 识别问题:在未观测混杂存在时,SC 权重或 ATT 何时可识别?需要什么样的代理变量或结构假设?
  2. 估计问题:如何构造一致且高效的估计量?当 T₀ 和 T₁ 都趋于无穷时,渐近分布是什么?
  3. 推断问题:如何构造有效的置信区间,尤其是在 post-treatment 时期较短或存在序列相关时?
  4. 非线性推广:如何处理二元、计数等非连续结局?线性交互固定效应模型是否可被更一般的桥函数框架替代?

⚠️ 作者的 framing

作者将缺口 frame 为:经典 SC 方法在"拟合不佳"(imperfect pre-treatment fit)时缺乏识别保证,而 PCI 框架恰好可以利用未进入 donor pool 的控制单元作为代理变量来弥补这一缺口。作者在 Section 1 中明确写道:"we argue that such proxy variables are often available in SC settings",并指出"the outcomes of control units not included in the SC can be repurposed to construct identifying moment equations of SC weights"。这一 framing 将 PCI 的代理变量思想与 SC 的 donor pool 选择自然地衔接起来,使本文成为"显然的下一步"。

被淡化或回避的竞争路线: - 作者淡化了矩阵补全方法(Athey et al. 2021, Bai & Ng 2021)——这些方法不依赖显式的代理变量假设,而是通过低秩结构识别反事实。作者仅在引言中一笔带过,未深入比较。 - 作者回避了因子模型中的因子数选择问题——本文假设因子数 r 已知或可由代理变量识别,但未讨论 r 未知时的推断。 - 作者未讨论donor pool 选择偏差——即"哪些控制单元进入 donor pool"本身可能是一个数据驱动过程,可能引入选择性偏差。

什么明显该被引 / 该存在、却没出现在 intro 里? - Abadie & Vives-i Bastida (2022) 虽然被引用,但作者未讨论其关于"SC 估计量的渐近分布是否需要 T₁→∞"的讨论——这与本文的时间序列推断部分直接相关。 - Chernozhukov et al. (2021) 的 conformal inference 被引用,但作者未讨论其与本文提出的 GMM 推断在效率上的比较。 - Cattaneo et al. (2025a) 被引用,但作者未讨论其关于"staggered adoption"的扩展——本文只处理单一处理时点。 - 未引用 Synthetic Control 的贝叶斯方法(如 Cialek & Li 2022 等),这可能是因为作者聚焦于频率学派推断。

张力

未见明显对立引用。但存在一个潜在张力:Ferman & Pinto (2019) 认为 OLS 在 imperfect fit 下不一致,而 Abadie et al. (2010) 认为只要匹配良好即可。本文的 PCI 框架试图在两者之间找到第三条路——不要求完美匹配,但需要额外的代理变量。这一张力在文中被明确讨论(Section 2),但作者未直接比较 PCI 与 Ferman & Pinto 的 instrumental variable 方法在效率上的优劣。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

符号 含义 类型
\(i = 0, 1, \dots, N\) 单元索引,\(i=0\) 为处理单元,\(i=1,\dots,N\) 为控制单元 索引
\(t = 1, \dots, T\) 时间索引,\(T_0\) 为处理前时期数,\(T_1 = T - T_0\) 为处理后时期数 索引
\(Y_t\) 处理单元在时间 \(t\) 的观测结局 可观测随机变量
\(W_{it}\) 第 \(i\) 个控制单元在时间 \(t\) 的观测结局 可观测随机变量
\(Y_t(1), Y_t(0)\) 处理单元的潜在结局(处理/未处理) 潜在(counterfactual)量
\(W_{it}(1), W_{it}(0)\) 控制单元的潜在结局 潜在量
\(\tau_t\) 处理单元在时间 \(t\) 的 ATT,\(\tau_t = E[Y_t(1) - Y_t(0)]\) 目标 estimand
\(\lambda_t \in \mathbb{R}^r\) 未观测的 \(r\) 维共同因子(latent confounder) 潜在随机变量
\(\mu_i \in \mathbb{R}^r\) 单元 \(i\) 的因子载荷(factor loading) 固定参数
\(\beta_t\) 处理的时间效应(处理后) 固定参数
\(\epsilon_{it}\) idiosyncratic error,$E[\epsilon_{it} \lambda_t] = 0$
\(\alpha_{i}, i \in \mathcal{D}\) SC 权重,满足 \(\mu_0 = \sum_{i \in \mathcal{D}} \alpha_i \mu_i\) 待估参数
\(\mathcal{D}\) donor pool(用于构造 SC 的控制单元集合) 索引集合
\(Z_t\) 代理变量(proxy),如未进入 donor pool 的控制单元结局 可观测随机变量
\(g(\cdot)\) 用户指定的工具函数向量,用于构造矩条件 用户输入
\(\Omega\) GMM 权重矩阵 用户输入

模型(核心假设):

  1. 一致性(Assumption 1):\(Y_t = Y_t(0)\) 当 \(t \le T_0\),\(Y_t = Y_t(1)\) 当 \(t > T_0\);控制单元不受处理影响。

  2. 交互固定效应模型(Assumption 2):

    \[Y_t = \begin{cases} \beta_t + \mu_0^\top \lambda_t + \epsilon_{0t} & \text{if } t > T_0 \\ \mu_0^\top \lambda_t + \epsilon_{0t} & \text{if } t \le T_0 \end{cases}\]
    \[W_{it} = \mu_i^\top \lambda_t + \epsilon_{it}, \quad i = 1, \dots, N\]
    其中 \(E[\epsilon_{it}|\lambda_t] = 0\)。这里 \(\lambda_t\) 是未观测的时变混杂因子,\(\mu_i\) 是单元对因子的暴露程度。

  3. SC 存在性(Assumption 3):存在权重 \(\alpha_i, i \in \mathcal{D}\) 使得 \(\mu_0 = \sum_{i \in \mathcal{D}} \alpha_i \mu_i\)。即处理单元的因子载荷可以被 donor pool 中控制单元的因子载荷线性表示。

  4. 代理变量存在性(Assumption 4):存在观测变量 \(Z_t\) 使得 \(Z_t \perp\!\!\!\perp \{Y_t, W_{it}, i \in \mathcal{D}\} \mid \lambda_t\),且 \(Z_t\) 与 \(\lambda_t\) 相关。在 SC 场景中,\(Z_t\) 可以是未进入 donor pool 的控制单元结局。

可观测数据:\(\{(Y_t, W_{1t}, \dots, W_{Nt}, Z_t)\}_{t=1}^{T}\),其中 \(t \le T_0\) 为处理前,\(t > T_0\) 为处理后。

想要但观测不到的:\(\lambda_t\)(未观测混杂因子)、\(Y_t(0)\)(处理单元在 \(t > T_0\) 时的反事实结局)、\(\mu_i\)(因子载荷)。

第二步:最小内核

最小内核:假设只有一个潜在因子(\(r=1\)),只有一个 donor 单元(\(|\mathcal{D}|=1\)),且没有协变量。此时:

  • 模型退化为:\(Y_t = \mu_0 \lambda_t + \epsilon_{0t}\)(处理前),\(W_{1t} = \mu_1 \lambda_t + \epsilon_{1t}\)。
  • SC 存在性要求存在 \(\alpha\) 使得 \(\mu_0 = \alpha \mu_1\),即 \(\alpha = \mu_0 / \mu_1\)。
  • 代理变量 \(Z_t = W_{2t}\)(第二个控制单元,未进入 donor pool),满足 \(W_{2t} = \mu_2 \lambda_t + \epsilon_{2t}\)。

核心命题:在最小内核下,SC 权重 \(\alpha\) 可以通过以下矩条件识别:

\[E\left[ g(Z_t) \left( Y_t - \alpha W_{1t} \right) \right] = 0, \quad t \le T_0\]
其中 \(g(\cdot)\) 是任意与 \(\epsilon_{0t}, \epsilon_{1t}\) 不相关的函数。由于 \(Y_t - \alpha W_{1t} = \epsilon_{0t} - \alpha \epsilon_{1t}\)(处理前),且 \(Z_t\) 与 \(\epsilon_{0t}, \epsilon_{1t}\) 独立(由 Assumption 4),矩条件成立。

为什么经典 OLS 失败:OLS 估计 \(\alpha\) 的矩条件是 \(E[W_{1t}(Y_t - \alpha W_{1t})] = 0\)。但 \(W_{1t} = \mu_1 \lambda_t + \epsilon_{1t}\) 与残差 \(\epsilon_{0t} - \alpha \epsilon_{1t}\) 相关(通过 \(\epsilon_{1t}\)),因此 OLS 不一致。这正是 Ferman & Pinto (2019) 指出的问题。

本文的核心思想:用代理变量 \(Z_t\) 构造矩条件,避免了 \(W_{1t}\) 与残差的相关性。这类似于工具变量回归,但 \(Z_t\) 不是传统意义上的工具变量(它不直接影响 \(Y_t\),而是通过 \(\lambda_t\) 间接相关)。

为什么这个最小内核能撑起整篇论文:本文的所有技术细节——GMM 估计、渐近分布、非线性推广——都是在这个最小内核上"加壳": - 从 \(r=1\) 到 \(r>1\):需要多个代理变量或更强的秩条件。 - 从 \(|\mathcal{D}|=1\) 到 \(|\mathcal{D}|>1\):需要处理 SC 权重的非唯一性。 - 从线性到非线性:将桥函数 \(h(\cdot)\) 从线性泛函推广到非线性函数类。 - 从独立误差到序列相关:引入 HAC 估计量。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 SC 拟合不佳(imperfect pre-treatment fit)时,如何利用未进入 donor pool 的控制单元作为代理变量,识别并推断单个处理单元的 ATT。
  2. 核心工具 / 方法:将 proximal causal inference 框架引入 SC,通过代理变量构造矩条件,用 GMM 估计 SC 权重和 ATT,并将处理效应视为时间序列中的确定性趋势进行推断。
  3. 主要结论:在交互固定效应模型下,当存在满足条件独立性的代理变量时,SC 权重和 ATT 可以一致估计;该方法可扩展到非线性模型(二元、计数结局),且通过模拟和德国统一案例验证了其有限样本性能。

关键设定与假设

设定:单个处理单元,\(N\) 个控制单元,\(T_0\) 个处理前时期和 \(T_1\) 个处理后时期,\(T_0, T_1 \to \infty\) 且 \(T_0/T_1 \to \rho \in (0, \infty)\)。处理效应 \(\tau_t\) 可以是常数或随时间变化的确定性函数。

核心假设(在第二节最小内核基础上补全):

  1. Assumption 1(一致性):\(Y_t = Y_t(0)\) 当 \(t \le T_0\),\(Y_t = Y_t(1)\) 当 \(t > T_0\);控制单元不受处理影响。这是 SC 方法的标准假设。

  2. Assumption 2(交互固定效应模型):\(Y_t = \beta_t + \mu_0^\top \lambda_t + \epsilon_{0t}\)(处理后),\(W_{it} = \mu_i^\top \lambda_t + \epsilon_{it}\)。允许 \(\lambda_t\) 非平稳、\(\epsilon_{it}\) 序列相关。

  3. Assumption 3(SC 存在性):\(\mu_0 = \sum_{i \in \mathcal{D}} \alpha_i \mu_i\)。这是 SC 方法的核心识别条件,但本文不要求观测到的 pre-treatment fit 完美。

  4. Assumption 4(代理变量存在性):\(Z_t \perp\!\!\!\perp \{Y_t, W_{it}, i \in \mathcal{D}\} \mid \lambda_t\),且 \(E[g(Z_t) W_{it}^\top]\) 满秩。这是本文区别于经典 SC 的关键假设——它要求存在"未进入 donor pool 的控制单元"或其它代理变量。

  5. Assumption 5(平稳弱依赖):残差过程 \(\epsilon_{it}\) 平稳且弱依赖,保证 CLT 适用。

相比已有文献的放宽/强化: - 放宽:不要求 pre-treatment fit 完美(经典 SC 要求);不要求误差独立(Ferman & Pinto 2019 假设独立);允许非线性模型(经典 SC 假设线性)。 - 强化:要求存在代理变量 \(Z_t\) 且满足条件独立性(经典 SC 不需要);要求 \(E[g(Z_t) W_{it}^\top]\) 满秩(类似于工具变量的相关性条件)。

主要结果

定理 1(SC 权重的矩条件):在 Assumptions 1-3 下,\(E[Y_t(0)] = E[\sum_{i \in \mathcal{D}} \alpha_i W_{it}]\),因此 ATT 可表示为 \(\tau_t = E[Y_t - \sum_{i \in \mathcal{D}} \alpha_i W_{it}]\)。这建立了 SC 权重与 ATT 的联系。

定理 2(SC 权重的识别):在 Assumptions 1-4 下,SC 权重 \(\alpha_{i}, i \in \mathcal{D}\) 满足矩条件 \(E[g(Z_t)(Y_t - \sum_{i \in \mathcal{D}} \alpha_i W_{it})] = 0\)。这提供了识别 \(\alpha\) 的矩条件,且不依赖于 pre-treatment fit。

定理 3(GMM 估计的渐近正态性):在 Assumptions 1-5 和正则条件下,GMM 估计量 \(\hat{\theta} = (\hat{\alpha}^\top, \hat{\tau})^\top\) 满足:

\[\sqrt{T}(\hat{\theta} - \theta) \xrightarrow{d} N(0, \Sigma)\]
其中 \(\Sigma = \Sigma_0 S \Sigma_0^\top\),\(S\) 是矩条件的长期方差,\(\Sigma_0\) 是敏感度矩阵。这为构造置信区间提供了理论基础。

非线性推广(定理 4-5):将线性桥函数推广到非线性函数 \(h(\cdot)\),在条件 \(E[Y_t(0)|\lambda_t] = E[h(W_{it}, i \in \mathcal{D})|\lambda_t]\) 下,ATT 可识别为 \(\tau_t = E[Y_t - h(W_{it}, i \in \mathcal{D})]\)。这允许处理二元、计数等非线性结局。

证明路线:

  1. 第一步:建立矩条件。从 Assumptions 1-3 出发,证明 \(E[Y_t(0)] = E[\sum_{i \in \mathcal{D}} \alpha_i W_{it}]\)(定理 1)。然后利用 Assumption 4 的条件独立性,证明 \(E[g(Z_t)(Y_t - \sum_{i \in \mathcal{D}} \alpha_i W_{it})] = 0\)(定理 2)。关键步骤是:\(E[g(Z_t)(Y_t - \sum_{i \in \mathcal{D}} \alpha_i W_{it})] = E[g(Z_t) E[\epsilon_{0t} - \sum_{i \in \mathcal{D}} \alpha_i \epsilon_{it} | \lambda_t]] = 0\)。

  2. 第二步:GMM 估计。将矩条件写成 \(E[\tilde{U}_t(\theta)] = 0\) 的形式,其中 \(\tilde{U}_t(\theta) = V_t^\top (Y_t - D_t^\top \theta)\),\(V_t\) 是工具变量(由 \(g(Z_t)\) 和指示函数构成),\(D_t\) 是回归量。然后用标准 GMM 理论证明一致性和渐近正态性。

  3. 第三步:方差估计。用 HAC 估计量估计长期方差 \(S\),处理序列相关。关键技巧是:将 \(\tilde{U}_t(\theta)\) 视为一个平稳弱依赖过程,应用 Newey-West (1986) 估计量。

  4. 第四步:非线性推广。将桥函数 \(h(\cdot)\) 用级数展开(如多项式、样条)逼近,将非线性问题转化为线性问题。关键条件是:级数展开的截断项数随 \(T_0\) 增大而增大,但增速受控。

技术技巧点名:

  • GMM 矩条件:核心技巧是将 SC 权重的识别转化为矩条件,避免了直接回归的不一致性。
  • 工具变量选择:\(g(Z_t)\) 的选择类似于 IV 回归中的工具变量,但 \(Z_t\) 是代理变量而非传统 IV。
  • HAC 方差估计:处理序列相关,允许误差项跨时间相关。
  • 级数逼近:用于非线性桥函数的估计,将无限维问题转化为有限维问题。
  • 交叉拟合(cross-fitting):在非线性推广中用于避免过拟合(文中提到但未详细展开)。

真实例子与应用

德国统一案例:本文使用 Abadie et al. (2015) 的数据,评估 1990 年德国统一对西德人均 GDP 的影响。处理单元为西德,控制单元为 16 个 OECD 国家。作者将 Abadie et al. (2015) 中权重非零的 5 个国家(奥地利、日本、荷兰、瑞士、美国)作为 donor pool,其余 11 个国家作为代理变量 \(Z_t\)。

结果: - PI 方法估计的 ATT 约为 -1200 美元(95% CI: -2021, -380 使用 HC;-2369, -32 使用 HAC),表明统一对西德人均 GDP 有显著负面影响。 - 相比之下,Abadie et al. (2015) 的估计约为 -1600 美元,但无正式置信区间。 - 安慰剂检验:将处理时间人为设为 1975 年,估计效应为 125 美元(95% CI: -289, 539),不显著,支持了方法的有效性。

这个例子想说明什么: 1. PI 方法在 pre-treatment fit 不佳时仍能给出合理的估计(本文的模拟显示 OLS 有显著偏差,而 PI 偏差很小)。 2. PI 方法提供了正式的置信区间,而经典 SC 方法缺乏。 3. 通过将未进入 donor pool 的控制单元重新定位为代理变量,PI 方法充分利用了所有数据。

🔎 结论是否比证明窄

是,存在几处:

  1. 定理 3 的渐近正态性依赖于 \(T_0, T_1 \to \infty\) 且 \(T_0/T_1 \to \rho\)。但作者在德国统一案例中只有 \(T_0 = 31\) 和 \(T_1 = 13\),远非"大样本"。作者在 Section 5 中承认"formal statistical inference was not available"对于 Abadie et al. (2015) 的方法,但未讨论自己的方法在小样本下的表现。模拟中 \(T_0 = 50, 100, 200\),但 \(T_1\) 的设置未明确说明。

  2. 定理 4-5 的非线性推广:作者证明了识别条件,但未给出具体的估计方法和渐近理论。文中写道"we show under additional assumptions that ... any solution to Eq. (18) is a confounding bridge function",但未说明如何构造估计量。这比定理 3 的证明窄得多。

  3. 代理变量的选择:作者在德国统一案例中选择了"未进入 donor pool 的控制单元"作为代理变量,但未讨论这一选择的敏感性。如果 donor pool 的选择不同,代理变量也会不同,结果是否稳健?作者未提供敏感性分析。

  4. 桥函数的唯一性:作者在 Section 3.3 中承认"there may exist multiple solutions to Eq. (18)",但未给出保证唯一性的充分条件。这限制了非线性推广的实用性。

四、开放问题

  1. 代理变量的选择标准:本文提出"未进入 donor pool 的控制单元"可作为代理变量,但未给出系统性的选择标准。什么条件下一个控制单元应进入 donor pool 而非作为代理变量?这直接关系到估计的效率与偏差。扎根于 Section 3.1 中"a reasonable candidate for proxy variables is the outcome of units excluded from the donor pool"这一表述。

  2. 桥函数的唯一性与可检验性:作者在 Section 3.3 中承认可能存在多个桥函数解,但未给出保证唯一性的可检验条件。能否构造检验来验证桥函数的唯一性?扎根于 Section H 中"multiple confounding bridge functions might exist"这一表述。

  3. 有限样本下的推断:定理 3 的渐近理论要求 \(T_0, T_1\) 都趋于无穷,但实际应用中 \(T_1\) 往往很小(如德国统一案例中 \(T_1 = 13\))。能否构造在短 \(T_1\) 下有效的推断方法?扎根于 Section 5 中"formal statistical inference was not available"这一表述。

  4. donor pool 选择的敏感性:本文的代理变量依赖于 donor pool 的选择。如果 donor pool 的构成发生变化,估计结果是否稳健?能否构造对 donor pool 选择不敏感的方法?扎根于 Section 3.1 中"it is customary to restrict D to units with similar pre-treatment outcome trajectories"这一表述。

  5. 非线性模型的估计方法:定理 4-5 给出了非线性桥函数的识别条件,但未给出具体的估计方法和渐近理论。能否构造一个通用的非线性桥函数估计框架?扎根于 Section 3.3 中"we establish nonparametric identification"这一表述。


提示:若想确认上述开放问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇): - SC 方向:Abadie & Vives-i Bastida (2022)、Ben-Michael et al. (2021a, 2021b)、Cattaneo et al. (2025a)、Ferman (2021) - PCI 方向:Tchetgen Tchetgen et al. (2020)、Cui et al. (2020)、Shi et al. (2020)、Miao et al. (2024)

若这些文献的引言都指向同一缺口(如"代理变量的选择缺乏理论指导"),则说明这是共识性 gap;若互相矛盾(如有的认为 donor pool 选择不重要,有的认为至关重要),则说明存在张力,值得深入研究。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论