大家好，又见面了，我是你们的朋友全栈君。
原文链接：https://www.lianxh.cn/news/9e1bb97a57041.html
目录
推文介绍合成控制方法及其 Stata 的实现命令。合成控制方法（Synthetic Control Method）由 Abadie and Gardeazabal (2003) 提出。目前，该方法已被广泛使用。
1. 背景介绍
经济学家常要评估某政策或事件的效应。此政策可能实施于某国家或地区（省、州或城市）。为此，常使用”鲁宾的反事实框架”（Rubin’s counterfactual framework），即假想该地区如未受政策干预将会怎样，并与事实上受到干预的实际数据进行对比，二者之差即为”处理效应”（treatment effect，借用医学术语）。
常用解决方法是，寻找适当的控制组（control group），即在各方面都与受干预地区相似却未受干预的其他地区，以作为处理组（treated group，即受到干预的地区）的反事实替身（counterfactuals）。
比如，要考察仅在 A 市实施的某政策效果，自然会想到以之相近的 B 市作为控制地区；但 B 市毕竟与 A 市不完全相同。或可用其他城市（B 市、C 市、D 市）构成 A 市的控制组，比较 B 市、C 市、D 市与 A 市在政策实施前后的差别，此方法也称”比较案例研究”（comparative case studies）。但如何选择控制组通常存在主观随意性（ambiguity），而 B 市、C 市、D 市与 A 市的相似度也不尽相同。
为此，Abadie and Gardeazabal (2003)提出”合成控制法”（Synthetic Control Method）。其基本思想是，虽然无法找到 A 市的最佳控制地区，但通常可对若干大城市进行适当的线性组合，以构造一个更为优秀的”合成控制地区”（synthetic control region），并将”真实 A 市”与”合成 A 市”进行对比，故名”合成控制法”。合成控制法的一大优势是，可以根据数据（data-driven）来选择线性组合的最优权重，避免了研究者主观选择控制组的随意性。
合成控制方法（Synthetic Control Method）的优点如下：
- 作为一种非参数的方法，是对传统的双重差分法 DID 的拓展
- 通过数据驱动确定权重，减少了主观选择的误差，避免了政策内生性问题
- 通过对多个控制对象加权来模拟目标对象政策实施前的情况，不仅可以清晰地反映每个控制对象对”反事实”事件的贡献，同时也避免了过分外推
- 可以对每一个研究个体提供与之对应的合成控制对象，避免平均化的评价，不至于因各国政策实施时间不同而影响政策评估结果，避免了主观选择造成的偏差
- 研究者们可在不知道实施效果的情况下设计实验
2. 合成控制法原理
原理介绍请看以下链接：
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/132497.html原文链接：https://javaforall.net
