本文提出了一种基于面板数据的因果效应新估计方法，这种方法建立在广泛使用的差异和综合控制方法背后的思想基础上。相对于这些方法，我们发现，无论是从理论上还是从经验上看，“合成差异法” 估计量都具有理想的鲁棒性能，并且在常见的实践中常常表现出色。我们研究了评估器的渐近行为，当结果模型的系统部分包括与潜在时间因素相互作用的潜在单元因素时，我们呈现了一些一致性和渐近正态性相对应的条件。

Dec, 2018

现有的合成控制方法 (SCMs) 存在内隐内源性问题，本研究基于密度匹配提出了一种新的 SCM 方法，通过匹配处理结果矩和未处理结果矩的加权和来估计 SC 权重，该方法具有无偏性、降低均方误差以及生成完整治疗效应密度的优点。

Jul, 2023

介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。

Dec, 2017

本文旨在将来自多个随机对照试验的信息传递给只有对照组数据的目标人群。我们通过源人群的治疗组的加权混合构建针对目标人群的合成治疗组，并通过最小化加权源人群的对照组与目标人群之间的条件最大均值差异来估计权重。基于筛选半参数理论，我们建立了合成治疗组估计器的渐近正态性。当均值可交换性假设被违反时，我们的方法可以作为一种新型的补充方法。我们通过对合成和真实数据集的实验来证明了我们方法的有效性。

Sep, 2023

我们提出了一种在面板数据设置中激励探索的合成控制方法，通过利用信息设计和在线学习的工具，为单位提供适用的干预建议，从而在不需要明确的单位结果重叠假设的情况下获得有效的对照估计。

Dec, 2023

本文提出采用核平衡方法来进行匹配和加权处理以进行因果推断，并证明该方法对于评估处理后的平均效应具有偏差纠正作用。该方法旨在使处理组和对照组之间的非治疗可能结果的条件期望相等，其中采用核函数提取基函数集合使得在该基函数下加权后处理组和对照组具有相等均值。采用该方法可用于实现不需要对治疗分配机制进行任何模型假设的稳定反倾向得分的权重选择。

Apr, 2016

本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

Jan, 2023

该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

Jun, 2020

通过控制混合对照组干扰和第一类错误，我们提出了一种新的临床试验分析方法，使用所选的真实世界病人，加权来自电子健康记录的治疗组病人，以增加试验效力。

Aug, 2021

本研究提出了一种名为 “后双重选择” 的新型估计方法和统一的有效推断方法，用于控制干扰因素对治疗效果的影响。该方法相对于标准后模型选择估计器的优点在于它允许控制点的不完美选择，并提供跨模型的有效置信区间。

Dec, 2011