NBER美国国民经济研究局-NBER-Combining-Matching-and-Synthetic-Controls-to-Trade-off-Biases-from-Extrapolation-and-Interpolation_29页_686kb

报告摘要

文档总结：结合匹配与合成控制以权衡插值与外推偏差

核心内容

本文提出了一种新的估计方法——匹配与合成控制（MASC）估计器，用于在因果效应估计中权衡合成控制（SC）估计器的插值偏差与匹配估计器的外推偏差。该方法通过模型平均（model averaging）结合两种估计器，以提高估计的准确性和稳健性。

主要观点

合成控制方法（SC）
- SC方法通过使用未处理单位的凸加权平均来构造一个合成的未处理单位，使其预处理特征与处理单位相似。
- 该方法在避免外推偏差方面具有优势，但容易受到插值偏差的影响，尤其是在预处理特征之间存在非线性关系时。
- SC估计器在某些情况下可能无法准确捕捉处理单位的未处理结果，特别是在预处理特征不满足线性假设时。
匹配估计器
- 匹配估计器通过选择预处理特征与处理单位最接近的未处理单位，以最小化插值偏差。
- 它通常采用k近邻匹配，即选择最接近的m个单位进行加权平均。
- 匹配估计器在避免插值偏差方面表现良好，但可能因未处理单位与处理单位特征差异较大而产生外推偏差。
MASC估计器
- MASC估计器是SC和匹配估计器的模型平均，形式为：
  $$
  \hat{\mu}_t^{\mathrm{masc}} \equiv \phi \hat{\mu}_t^{\mathrm{ma}}(m) + (1 - \phi) \hat{\mu}_t^{\mathrm{sc}}
  $$
  其中，$\phi$ 是一个调节参数，控制两种估计器的权重。
- 该估计器通过**滚动起源交叉验证（rolling-origin cross-validation）**选择最优权重，从而在数据驱动下同时控制插值与外推偏差。
- MASC估计器具有良好的实施性，其权重可以通过闭式解计算，与常规SC估计器相比仅略复杂。
插值与外推偏差的权衡
- SC估计器在插值偏差上表现较差，因为它依赖于预处理特征的线性假设。
- 匹配估计器则在插值偏差上更稳健，但可能在未处理单位与处理单位特征差异大时产生外推偏差。
- MASC估计器通过动态调整权重，能够有效缓解这两种偏差，从而提供更准确的因果效应估计。
实证与模拟结果
- 通过蒙特卡洛模拟和安慰剂检验，作者发现MASC估计器在插值与外推偏差的控制上优于SC和匹配估计器。
- 在西班牙恐怖袭击案例的重新分析中，MASC估计器提供了与传统方法显著不同的因果效应估计。

关键信息

SC估计器：
- 优点：避免外推偏差，构造合成控制单位。
- 缺点：容易产生插值偏差，尤其当预处理特征非线性时。
匹配估计器：
- 优点：避免插值偏差，选择最接近的未处理单位。
- 缺点：可能产生外推偏差，当未处理单位与处理单位特征差异较大时。
MASC估计器：
- 优点：结合SC和匹配估计器的优点，通过模型平均减少偏差。
- 实现方式：使用滚动起源交叉验证选择权重参数$\phi$和匹配数量$m$。
- 特点：权重可闭式求解，实施难度较低。
应用案例：
- 重新分析了西班牙恐怖袭击对经济成本的影响，展示了MASC估计器的实用性。
- 在模拟数据中，MASC估计器表现出更高的稳健性和准确性。
相关文献：
- 与Abadie和L’Hour（2019）提出的惩罚合成控制（Penalized SC）估计器有相似之处，但两者在权重选择上有所不同。
- 与Athey等人（2019）的模型平均方法有联系，但本文强调了选择互补估计器的重要性。

结构与方法

模型设定：
- 估计处理单位的平均处理效应（ATT），通过未处理单位的加权平均构造合成结果。
权重选择：
- MASC估计器通过交叉验证选择最优权重，以平衡插值与外推偏差。
- 交叉验证使用滚动起源方法，模拟不同时间点的预测误差。
插值偏差的来源：
- 当$\mu_t(x)$是非线性时，SC估计器可能无法准确拟合处理单位的未处理结果。
- 惩罚SC估计器通过引入惩罚项，鼓励选择与处理单位特征相近的单位，从而减少插值偏差。
外推偏差的来源：
- 当未处理单位与处理单位特征差异较大时，匹配估计器可能无法准确拟合处理单位的未处理结果。

结论

MASC估计器通过结合SC和匹配估计器的优势，提供了一种更稳健的因果效应估计方法。它在数据驱动下有效权衡了插值与外推偏差，尤其适用于处理单位与未处理单位特征差异较大的情况。实证和模拟结果表明，MASC估计器在实际应用中优于现有方法，为合成控制方法的改进提供了新的思路。

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载