12.5 本章小结
合成控制法：当只有一个处理单位时的因果推断艺术
核心要点回顾
1. 适用场景
合成控制法是唯一专门为个处理单位场景设计的因果推断方法。当你的研究对象是一个国家、一个州、一个城市，而无法找到完美的单一对照时，SCM提供了系统化的解决方案。
2. 核心思想
用多个未处理单位的加权组合（凸组合）来构造"合成对照"，使其在政策前尽可能模拟处理单位的特征和结果轨迹。
3. 关键优化
- 外层：优化矩阵（特征权重）——决定不同协变量的相对重要性
- 内层：优化向量（单位权重）——决定每个对照单位的贡献
4. 识别假设
政策前拟合好 政策后平行趋势成立（在因子模型框架下）
5. 统计推断
排列推断（安慰剂检验）+ RMSPE比率 + Fisher精确检验逻辑
6. vs DID
SCM是数据驱动的加权DID；传统DID的等权平均是SCM的特例
关键公式汇总
权重优化:
因果效应:
p值（Fisher检验）:
其中
SCM vs 其他因果推断方法
| 方法 | 处理单位数 | 核心假设 | 推断方式 | 适用场景 |
|---|---|---|---|---|
| SCM | 1个 | 因子模型 + 政策前拟合 | 排列推断 | 国家/地区政策评估 |
| DID | 多个 | 平行趋势 | 聚类标准误 | 自然实验 |
| RDD | 多个 | 连续性 | 局部多项式 | 断点分配规则 |
| IV | 多个 | 排除性约束 | 2SLS/GMM | 内生性问题 |
| PSM/IPW | 多个 | 条件独立性 | Bootstrap | 观察性数据匹配 |
| Causal Forest | 多个 | 条件独立性 | 渐近正态 | 异质性效应估计 |
扩展方法简介
1. Augmented Synthetic Control (Ben-Michael et al. 2021)
核心思想: 结合SCM和回归调整
估计量:
优势: 即使权重不完美,回归调整能提高精度
Python: augsynth（R有包，Python在开发）
2. Matrix Completion Methods (Athey et al. 2021)
设定: 将结果矩阵视为低秩矩阵+噪声
其中
估计: 用已观测元素恢复
优势: 更灵活，适用于多个处理单位
3. Synthetic DID (Arkhangelsky et al. 2021)
结合: SCM的加权 + DID的双重差分
估计量:
其中同时优化单位权重和时间权重
Python: synthdid
Python工具箱
| 工具 | 用途 | 安装 |
|---|---|---|
| cvxopt | 二次规划（手动实现） | pip install cvxopt |
| scipy.optimize | V矩阵优化 | pip install scipy |
| SparseSC | SCM专用库 | pip install SparseSC |
| augsynth | 增强型SCM | R包 |
| synthdid | Synthetic DID | R包 / Python |
推荐阅读
必读
- Abadie, Diamond & Hainmueller (2010). "Synthetic Control Methods for Comparative Case Studies." JASA.
- Cunningham (2021). Causal Inference: The Mixtape, Chapter 10.
- Abadie (2021). "Using Synthetic Controls." JEL.
进阶
- Ferman, Pinto & Possebom (2020). "Cherry Picking with Synthetic Controls." JPAM.
- Arkhangelsky et al. (2021). "Synthetic Difference-in-Differences." AER.
- Ben-Michael, Feller & Rothstein (2021). "The Augmented Synthetic Control Method." JASA.
练习建议
练习1：基础实现
使用本章的Python代码，用模拟数据运行SCM并解读结果。
练习2：安慰剂检验
对模拟数据的所有对照单位做安慰剂检验，绘制安慰剂图，计算p值。
练习3：敏感性分析
实施Leave-one-out检验：逐一排除权重最大的对照单位，观察ATT如何变化。
练习4（挑战）：真实数据
尝试使用SCM分析一个真实的政策案例（如德国统一对西德GDP的影响）。
恭喜完成Module 12 — 合成控制法！
你已经掌握了场景下因果推断的核心工具。SCM不仅在学术界有广泛应用（德国统一、Brexit、加州烟草税），在工业界的政策评估和商业决策中也越来越重要。
下一章: Module 13 异质性处理效应与Causal Forest — 从"平均效应"到"个性化因果推断"