知识卡片
合成控制法构造反事实
当找不到一个天然满足[[DID的平行趋势假设]]的对照组时,合成控制法不再寻找单一对照组,而是从多个候选对照组里学习一组非负、和为1的权重,把它们加权组合成一个虚拟的”合成对照组”,让它在策略干预前的关键指标上尽量逼近实验组。这把”找一个像的对照组”这个主观选择问题,转化成了一个数据驱动的优化问题,减少了人为挑选对照组带来的偏差。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第6章 对观测到的事件进行因果推断 6.2 全量评估的主要方法 · 查看原书依据
在这样的模型框架下,我们考虑存在一个(J×1)维向量W=(w2,w3,…,wJ+1)′,其中wj ≥ 0且和为1。向量中的每一项代表一个潜在对照组对应的权重系数,每一个向量对应一种潜在对照组的组合,同时也对应着一个虚拟的合成对照组。 下面我们将W代入合成控制法的因子模型,得到合成对照组的待解释变量的值: 若存在使得: 那么可以证明(在本书中,我们对此部分的证明不进行详细介绍):当是非奇异矩阵时,有 为了能用数值实现合成控制,我们需要定义合成的对照组和实验组之间的距离,并找到策略干预前距离最小的W*。我们记策略干预前实验组的各个预测变量的平均值为向量X1,它是一个(K×1)维的列向量。而各个对照组的策略干预前,预测变量的平均值为X0,它是一个(K×J)维的矩阵,其中第j列为第j个地区的相应取值。我们希望X0W与X1尽量相似,即经过加权后,虚拟的对照组可以与实验组预测变量的值尽量相似。由于不同的预测变量对待解释变量的预测能力是不同的,所以它们在距离函数中的比重也不同,因此最小化的距离函数为
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第6章 对观测到的事件进行因果推断,6.2 全量评估的主要方法(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0033.xhtml)
- 结论依据:原文明确"寻找恰当的对照组是一件较难的事情,甚至在某些情况下,我们无法找到一个满足假设条件的对照组……该方法的核心思想是对潜在的对照组进行线性组合,构造一个虚拟的对照组,再与实验组进行对比",且"是以数据驱动的思想来确定合成控制组权重的,这样避免了主观选择对照组带来的误差"。
- 原始内容:在这样的模型框架下,我们考虑存在一个(J×1)维向量W=(w2,w3,…,wJ+1)′,其中wj ≥ 0且和为1。向量中的每一项代表一个潜在对照组对应的权重系数,每一个向量对应一种潜在对照组的组合,同时也对应着一个虚拟的合成对照组。 下面我们将W代入合成控制法的因子模型,得到合成对照组的待解释变量的值: 若存在使得: 那么可以证明(在本书中,我们对此部分的证明不进行详细介绍):当是非奇异矩阵时,有 为了能用数值实现合成控制,我们需要定义合成的对照组和实验组之间的距离,并找到策略干预前距离最小的W*。我们记策略干预前实验组的各个预测变量的平均值为向量X1,它是一个(K×1)维的列向量。而各个对照组的策略干预前,预测变量的平均值为X0,它是一个(K×J)维的矩阵,其中第j列为第j个地区的相应取值。我们希望X0W与X1尽量相似,即经过加权后,虚拟的对照组可以与实验组预测变量的值尽量相似。由于不同的预测变量对待解释变量的预测能力是不同的,所以它们在距离函数中的比重也不同,因此最小化的距离函数为