LearnPy.online

简体中文

English

简体中文

English

Appearance

Module 12 合成控制法（Synthetic Control Method） ​

当只有一个处理单位时的因果推断利器：Alberto Abadie的反事实构造艺术

难度重要性

本章目标 ​

完成本章后，你将能够：

  • 理解合成控制法的核心思想和适用场景
  • 掌握权重优化算法和V-矩阵的作用
  • 区分SCM与传统DID的异同
  • 完整复现California Proposition 99经典案例
  • 使用Python实现SCM（手动+SparseSC）
  • 进行RMSPE比率推断和安慰剂检验
  • 评估研究者自由度对结论的影响

为什么需要合成控制法？ ​

从DID到SCM：一个自然的演进 ​

在Module 10中，我们学习了双重差分法（DID）——社会科学中最常用的因果推断方法之一。DID的核心逻辑简洁优美：利用处理组和对照组的平行趋势来构造反事实。

但DID有一个重要的隐含要求：你需要多个处理单位和多个对照单位。

问题来了：如果你的研究对象只有一个处理单位呢？

N=1的挑战：真实世界的政策评估 ​

许多重要的政策研究恰恰面对的就是"N=1"的场景：

场景1：德国统一（1990）

  • 处理单位：西德（只有1个）
  • 研究问题：统一对西德GDP的因果效应？
  • 用谁做对照？法国？日本？没有任何单一国家能成为完美的"反事实西德"

场景2：加州烟草税 Proposition 99（1988）

  • 处理单位：加州（只有1个）
  • 研究问题：大幅加税对香烟消费量的因果效应？
  • 对照组候选：其他49个州——但每个州都和加州有显著差异

场景3：Brexit（2016）

  • 处理单位：英国（只有1个）
  • 研究问题：脱欧对英国GDP增长的因果效应？
  • 用德国做对照？经济结构完全不同。用法国？政治制度差异大

传统DID在这些场景中的困境：

  1. 选择单一对照单位——主观且可能不可比
  2. 简单平均多个对照——忽略了各对照单位之间的异质性
  3. 无法保证平行趋势假设成立

Alberto Abadie的天才洞察 ​

2003年，时任哈佛大学（后转至MIT）的经济学家Alberto Abadie提出了一个优雅的解决方案：

"如果我们无法找到一个完美的对照单位，为什么不用数据驱动的方法来合成一个？"

核心思想：用多个未处理单位的加权组合（convex combination）来构造一个"合成对照"，使其在政策前期间尽可能地模拟处理单位的特征和结果轨迹。

数学表达：

这就是合成控制法（Synthetic Control Method, SCM）。

SCM与DID的深层联系 ​

SCM是"数据驱动的加权DID" ​

从方法论的角度看，SCM可以被理解为DID的一个精妙推广：

维度传统DID合成控制法
对照组构造等权平均，或主观选择数据驱动的最优加权
处理单位数多个1个即可
平行趋势假设全局成立通过政策前拟合来验证
透明度权重隐含在回归中每个对照单位的权重一目了然
外推风险可能存在（回归外推）凸组合约束排除外推

关键洞察：传统DID的等权平均（）其实是SCM的一个特例。SCM让数据自己决定每个对照单位应该获得多少权重。

数学联系 ​

2x2 DID 的权重：

SCM 的权重：

SCM的优势在于：权重由数据和优化算法共同决定，而非研究者武断设定。

Proposition 99的故事 ​

经典案例预览 ​

Abadie, Diamond & Hainmueller (2010) 将SCM应用于加州的Proposition 99——一项1988年通过的里程碑式烟草控制法案：

  • 政策内容：香烟税从每包10美分提高至35美分（提高250%），当时为全美最高
  • 研究问题：这项加税政策对加州人均香烟消费量的因果效应是多少？
  • 方法：从38个未实施大规模烟草控制政策的州中，用SCM构建"合成加州"
  • 结果：5个州获得了正权重，合成加州在政策前完美拟合真实加州
  • 发现：Prop 99使加州香烟消费量下降约21.5%
  • 推断：通过安慰剂检验，加州的RMSPE比率排名第1（p = 0.026），效应统计显著

这篇论文不仅提供了烟草政策的重要因果证据，更确立了SCM作为政策评估标准工具的地位。

本章结构 ​

第 1 节：本章介绍（当前） ​

  • SCM的动机和核心思想
  • 与DID的联系和区别
  • Proposition 99的故事

第 2 节：合成控制法原理 ​

  • 因子模型设定和符号体系
  • 权重优化问题（内层W和外层V）
  • 凸组合约束与无外推性质
  • 政策前拟合作为识别验证
  • 供体池选择与常见陷阱

第 3 节：统计推断与稳健性 ​

  • RMSPE比率推断
  • 安慰剂检验/排列检验
  • Fisher精确检验逻辑
  • SCM vs DID的全面对比
  • 研究者自由度问题（Ferman et al. 2020）

第 4 节：经典案例与Python实现 ​

  • California Proposition 99完整复现
  • 手动实现SCM（从零开始）
  • 使用SparseSC库
  • 权重表和结果解读
  • Gap plots可视化

第 5 节：本章小结 ​

  • 核心要点回顾
  • SCM vs 其他方法对比表
  • 扩展方法简介
  • 练习与推荐阅读

️ Python工具包 ​

核心库 ​

库主要功能安装
numpy矩阵计算pip install numpy
scipy优化算法pip install scipy
cvxopt二次规划（QP）pip install cvxopt
SparseSCSCM专用库pip install SparseSC
matplotlib可视化pip install matplotlib
pandas数据处理pip install pandas

基础设置 ​

python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.optimize import minimize
from cvxopt import matrix, solvers

# 中文字体设置
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS
plt.rcParams['axes.unicode_minus'] = False
sns.set_style("whitegrid")

必读文献 ​

奠基性论文 ​

  1. Abadie, A., & Gardeazabal, J. (2003). "The Economic Costs of Conflict: A Case Study of the Basque Country." American Economic Review, 93(1), 113-132.

    • SCM的首次提出

  2. Abadie, A., Diamond, A., & Hainmueller, J. (2010). "Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program." JASA, 105(490), 493-505.

    • SCM的标准参考论文（必读！）

  3. Abadie, A., Diamond, A., & Hainmueller, J. (2015). "Comparative Politics and the Synthetic Control Method." AJPS, 59(2), 495-510.

    • 德国统一的SCM分析

方法论进展 ​

  1. Ferman, B., Pinto, C., & Possebom, V. (2020). "Cherry Picking with Synthetic Controls." Journal of Policy Analysis and Management, 39(2), 510-532.

    • 研究者自由度问题

  2. Ben-Michael, E., Feller, A., & Rothstein, J. (2021). "The Augmented Synthetic Control Method." JASA, 116(536), 1789-1803.

    • 增强型SCM

  3. Arkhangelsky, D., et al. (2021). "Synthetic Difference-in-Differences." American Economic Review, 111(12), 4088-4118.

    • 综合DID（SCM + DID）

推荐教材 ​

  1. Cunningham, S. (2021). Causal Inference: The Mixtape, Chapter 10.
  2. Abadie, A. (2021). "Using Synthetic Controls: Feasibility, Data Requirements, and Methodological Aspects." JEL, 59(2), 391-425.

准备好了吗？ ​

合成控制法代表了比较案例研究方法论的重要突破：

从"主观选择对照"到"数据驱动构造反事实"

"The great appeal of synthetic control methods is that they provide a systematic, transparent, and data-driven way to select comparison units in comparative case studies." — Alberto Abadie

当你面对"只有一个处理单位"的研究场景时，SCM将是你最有力的工具。

让我们开始学习 第2节：合成控制法原理！

下一节：12.2 合成控制法原理 >>

基于 MIT 许可证发布。内容版权归作者所有。

Copyright © 2025-present 王几行XING（Bryce Wang）