138. Sentetik kontrol ve plasebo testleri
Şablon kimliği: sentetik_kontrol · Kategori: nedensel çıkarım · Dil: R · Dosya: pro/sablonlar/nedensel/sentetik_kontrol.R (satır 1–377; üstbilgi 1–175) · Örnek veri: _ornek/basque.csv · Paketler: Synth 1.1-10 (kernlab, optimx; R 4.5.3)
138.1 Ne işe yarar
Tek bir birimin (ülke, bölge, şehir, eyalet) bir müdahale aldığı, çok sayıda müdahale almamış birimin bulunduğu uzun panel veride müdahalenin etkisini kestirmek için kullanılır. Tipik soru: 1970'ten sonra terörün tırmandığı Bask Ülkesi'nin kişi başı geliri, terör olmasaydı nasıl seyrederdi? Karşı-olgusal yol, müdahale almamış "donör" birimlerin negatif olmayan, toplamı bir ağırlıklı bir bileşimidir (Abadie ve Gardeazabal, 2003; Abadie ve ark., 2010, 2011): müdahale öncesi dönemde tedavi edilen birime en çok benzeyen bileşim seçilir ve onun müdahale sonrası yolu "sentetik kontrol" sayılır.
- Y_{1t}: tedavi edilen birimin sonucu; Y_{jt} (j\ge2): donör sonuçları; T_0: müdahalenin ilk dönemi.
- X_1 (k\times1) ve X_0 (k\times J): tedavi edilen birimin ve donörlerin öngörücüleri (müdahale öncesi pencere ortalamaları); k öngörücü sayısı.
- V=\mathrm{diag}(v_1,\dots,v_k): öngörücü önem ağırlıkları; W=(w_2,\dots,w_{J+1})': donör ağırlıkları; \mathcal T_{\mathrm{opt}}: V'nin seçildiği optimizasyon penceresi (müdahale öncesi).
- RMSPE: ortalama karekök tahmin hatası; müdahale öncesinde uyum, sonrasında etki büyüklüğü ölçüsüdür.
Yöntem iç içe bir optimizasyondur: verilen V için W kısıtlı bir ikinci derece programının çözümüdür; V ise optimizasyon penceresindeki sonuç uyumunu (MSPE) en küçükleyecek biçimde dış döngüde seçilir. Çıkarım uzayda plasebo testiyle yapılır: aynı yöntem her donöre sırayla "yapay müdahale" vererek uygulanır; müdahale sonrası/öncesi RMSPE oranının tedavi edilen birimde diğerlerinden ne kadar büyük olduğuna bakılır (Abadie ve ark., 2010). Dayandığı varsayımlar: (i) müdahale öncesi uyum iyi (sentetik kontrol öncesi yolu iyi izliyor) ve tedavi edilen birim donörlerin dışbükey zarfı içinde; (ii) donörler müdahaleden etkilenmemiş (taşma yok); (iii) müdahaleye önceden tepki yok; (iv) başka eşzamanlı şok yok. Ağırlıklar negatif olamadığından yöntem ekstrapolasyon yapmaz: tedavi edilen birim donörlerin zarfının dışında ise uyum kötü olur ve şablon bunu hata olarak vermez, müdahale öncesi RMSPE'ye yansıtır.
Ne zaman kullanılır?
- Tek (ya da çok az) tedavi edilen birim, çok sayıda müdahale almamış birim ve uzun bir müdahale öncesi dönem (en az birkaç on dönem) varsa.
- Etkinin zamanla nasıl geliştiğini (açık grafiği) ve basit bir permütasyon çıkarımını istiyorsanız.
- Uygun tek bir kontrol birimi bulunamıyorsa: ağırlıklı bileşim, tek bir benzer birimden daha iyi benzerlik sağlar.
Ne zaman kullanılmaz?
- Çok sayıda birim farklı zamanlarda müdahale alıyorsa: Bölüm 133
kademeli_did. - Hiç donör yoksa, yalnız tedavi edilen birimin zaman serisi varsa: Bölüm 104
joinpoint_its(kesintili zaman serisi). - Müdahale öncesinde sentetik kontrol yolu tedavi edilen yolu iyi izlemiyorsa (büyük müdahale öncesi RMSPE): sonuç güvenilmezdir; Ferman ve Pinto (2021) kusurlu öncesi uyumun yanlılık doğurduğunu gösterir.
- Müdahale tek bir kesme noktasına göre atanmışsa: Bölüm 137
regresyon_sureksizligi.
Temel programla ilişki. Temel programda sentetik kontrol yöntemi yoktur. Bu şablon, ağırlıkları, öngörücü dengesini, açık yolunu ve plasebo testini yalnız burada verir.
138.2 Şablonun girdileri
Form, üstbilgideki 23 [[param]] bloğundan kurulur (sentetik_kontrol.R:11–174). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir; sayısal rollerin aktarımı Bölüm 1.3'tedir.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Birim kimliği · birim |
sütun · Değişkenler | ilk sütun | herhangi sütun | Birim (11–16, 180, 207–209). |
Birim adı · ad |
sütun · Değişkenler | boş (isteğe bağlı) | sütun | Tablo adları (17–22, 181, 283). |
Zaman · zaman |
sayısal sütun · Değişkenler | ilk sayısal sütun | tamsayı dönemli sütun | Dönem (23–27, 204–205). |
Sonuç değişkeni · y |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal sütun | Y (28–32, 180, 233). |
Tedavi edilen birim · tedavi_birimi |
metin · Değişkenler | boş | birim sütunundaki değer | Tedavi birimi (33–38, 212–213). |
Müdahalenin ilk dönemi · mudahale |
tamsayı · Model | 2000 | \pm100000 | T_0 (39–46, 219–222). |
Öngörücüler · ongorucu |
sayısal sütunlar · Değişkenler | yok (isteğe bağlı) | sütunlar | Pencere ortalamalı öngörücüler (47–53, 182, 201). |
Öngörücü penceresi başı · ongoru_bas |
tamsayı · Model | 0 (ilk dönem) | \pm100000 | Pencere başı (54–61, 223). |
Öngörücü penceresi sonu · ongoru_bit |
tamsayı · Model | 0 (T_0'dan önceki dönem) | \pm100000 | Pencere sonu (62–69, 224). |
Özel öngörücüler · ozel |
metin · Model | boş | değişken:başlangıç-bitiş[:adım], ; ile |
Özel pencereli öngörücüler (70–76, 184–200). |
MSPE optimizasyon penceresi başı · opt_bas |
tamsayı · Model | 0 (ilk dönem) | \pm100000 | \mathcal T_{\mathrm{opt}} başı (77–84, 225, 235). |
Donör havuzundan çıkarılacak birimler · haric |
metin · Değişkenler | boş | virgülle ayrılmış birim değerleri | Donör havuzu (85–91, 214–216). |
Uzayda plasebo testi · plasebo |
onay · Seçenekler | açık | açık/kapalı | Plasebo (92–97, 309). |
Plasebo havuzu · plasebo_havuz |
seçim · Seçenekler | dahil |
dahil, haric |
Plasebo havuzu: tedavi edilen birim dahil ya da yalnız tedavi edilmemiş birimler (160–167, 310). |
Öngörücülerin pencere özeti · ongorucu_islem |
seçim · Model | mean |
mean, median |
predictors.op (98–105, 198, 261). |
V optimizasyon yöntemi · optimx_yontemi |
seçim · Gelişmiş | varsayilan |
varsayilan, Nelder-Mead, BFGS, CG |
optimxmethod (106–113, 249). |
Genetik algoritma · genoud |
onay · Gelişmiş | kapalı | açık/kapalı | rgenoud (114–120, 250–253). |
QP çözücüsü · quadopt |
seçim · Gelişmiş | ipop |
ipop, LowRankQP |
quadopt (121–127, 254–257). |
ipop marjı · margin_ipop |
ondalık · Gelişmiş | 0{,}0005 | 10^{-8}–0{,}1 | Margin.ipop (128–135, 258). |
ipop anlamlı basamak · sigf_ipop |
tamsayı · Gelişmiş | 5 | 1–15 | Sigf.ipop (136–143, 259). |
ipop sınırı · bound_ipop |
ondalık · Gelişmiş | 10 | 1–1000 | Bound.ipop (144–151, 260). |
Plasebo dışlama · plasebo_rmspe_siniri |
ondalık · Seçenekler | 0 (dışlama yok) | 0–100 | k (152–159, 326–333). |
V yöntemlerini karşılaştır · yontem_karsilastir |
onay · Gelişmiş | kapalı | açık/kapalı | Nelder-Mead, BFGS ve nlminb ile ayrı synth çalıştırmaları (168–174, 347–358). |
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 179 |
| Birim, zaman ve sonuç aynı sütun | "… farklı sütunlar olmalı." | 180 |
| Özel öngörücü biçimi/değişkeni geçersiz | "Özel öngörücü anlaşılamadı: '…'" | 191 |
| Özel pencere geçersiz | "Özel öngörücü penceresi geçersiz: '…'." | 196 |
| Özel öngörücü sayısal değil | "Özel öngörücü '…' sayısal olmalı." | 197 |
| Öngörücü ve özel öngörücü yok | "En az bir öngörücü ya da özel öngörücü belirtin." | 201 |
| Zaman tamsayı değil | "Zaman sütunu tamsayı dönemlerden oluşmalı." | 205 |
| Yinelenen birim-dönem | "Her birim-dönem çifti tek satır olmalı …" | 211 |
| Tedavi birimi bulunamadı | "Tedavi edilen birim '…' birim sütununda bulunamadı." | 213 |
| Donör sayısı <2 | "Donör havuzunda en az 2 birim gerekli." | 217 |
| Müdahale öncesi dönem <2 | "Müdahaleden önce en az 2 dönem gerekli." | 221 |
| Müdahale sonrası dönem yok | "Müdahaleden sonra dönem yok …" | 222 |
| Pencereler müdahaleden sonraya taşıyor | "Öngörücü ve optimizasyon pencereleri müdahaleden önce olmalı …" | 226 |
| Özel pencere müdahaleden sonra bitiyor | "'…' özel penceresi müdahaleden önce bitmeli." | 227 |
| Optimizasyon penceresinde eksik sonuç | "Optimizasyon penceresinde … eksik sonuç değeri var." | 245 |
rgenoud ya da LowRankQP kurulu değil |
"… paketi gerekli …" | 251, 255 |
| Öngörücü, tedavi ya da bir donörde pencerede bütün dönemleri eksik | "'…' öngörücüsü ' |
236–243 |
Synth hatası ya da öngörücüde bütün değerleri eksik birim |
"Sentetik kontrol kestirilemedi: …" | 272 |
Veriye ilişkin davranışlar: birim kimliği metne çevrilip metin sırasıyla sıralanır ("10" < "2"; 193); tedavi birimi ve haric bu metinlerle eşleşir. Eksik birim-dönem hücreleri tam ızgaraya NA olarak eklenir (228–231); sonuç NA'sı optimizasyon penceresinde hata verir, öngörücü NA'ları ise pencere ortalamasında atlanır (138.8). ad sütunu yoksa birim kimliği ad olur. Öngörücü ya da özel öngörücü adları make.names ile geçerli R adına çevrilir (232–234).
Örnek ayar (ornek_param, satır 9): birim = regionno, ad = regionname, zaman = year, y = gdpcap, tedavi_birimi = 17, mudahale = 1970, ongorucu = school_illit, school_prim, school_med, school_high, school_post_high, invest, ongoru_bas = 1964, ongoru_bit = 1969, ozel = gdpcap:1960-1969; sec_agriculture:1961-1969:2; sec_energy:1961-1969:2; sec_industry:1961-1969:2; sec_construction:1961-1969:2; sec_services_venta:1961-1969:2; sec_services_nonventa:1961-1969:2; popdens:1969, opt_bas = 1960, haric = 1, plasebo = kapalı; öteki alanlar varsayılandadır.
138.3 Örnek veri
basque.csv: Abadie ve Gardeazabal'ın (2003) Bask Ülkesi verisi (Synth paketinin örnek verisi; Abadie ve ark., 2011): 18 İspanyol birimi (1 = ülke toplamı, 2–18 özerk bölgeler) × 43 yıl (1955–1997) = 774 gözlem, uzun biçim. Tedavi edilen birim 17 (Bask Ülkesi), müdahale 1970 (terör saldırılarının başlangıcı). Veri sekmesinin algıladığı türlerle:
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
regionno |
birim | sayısal | 1–18; 17 = Bask Ülkesi, 1 = İspanya toplamı |
regionname |
ad | kategorik | bölge adı |
year |
zaman | sayısal | 1955–1997 |
gdpcap |
sonuç ve özel öngörücü | sayısal | kişi başı GSYH; Bask Ülkesi 3{,}85 (1955), 6{,}17 (1970), 10{,}17 (1997) |
school_illit, school_prim, school_med, school_high, school_post_high |
öngörücü | sayısal | eğitim düzeyi göstergeleri; yalnız 1964–1969 dolu (6 yıl), öteki yıllar NA |
invest |
öngörücü | sayısal | yatırım göstergesi; 1964'ten itibaren dolu (32 yıl; 576 dolu değer) |
sec_agriculture, sec_energy, sec_industry, sec_construction, sec_services_venta, sec_services_nonventa |
özel öngörücü | sayısal | sektör payları; yalnız 1961–1969'da iki yılda bir dolu |
popdens |
özel öngörücü | sayısal | nüfus yoğunluğu; yalnız 1969'da dolu |
Eksik değerler ve pencereler. Öngörücülerin çoğu seyrek ölçülmüştür; pencere ortalaması dolu yılların ortalamasıdır (NA atlanır; 138.4.2). Bu yüzden school_* için pencere 1964–1969, sektör payları için 1961–1969 (iki yıl adımlı) ve popdens için tek yıl (1969) yazılmıştır. Birim 1 (İspanya toplamı), Bask Ülkesi'ni de içerdiğinden haric ile donör havuzundan çıkarılır; çıkarılmazsa şablon uyarı vermez (138.8).
Bu bölümde kullanılan çalıştırmalar (dogrulama/sentetik_kontrol/kos.py): sk_ornek (örnek ayar), sk_plasebo (plasebo = açık; 199 s), skk_ortanca, skk_nm, skk_lowrankqp, skk_haric_yok, ve sınır durumları (skk_tb_yok, skk_mud_erken, skk_mud_gec, skk_pencere_ters, skk_ozel_bozuk, skk_ozel_sonrasi, skk_ongorucu_yok, skk_donor_az, skk_y_eksik, skk_ong_kismi_eksik, skk_ong_tam_eksik, skk_yinelenen, skk_zaman_ondalik, skk_yil_atlama, skk_birim_metin, skk_birim_kat, skk_virgul, skk_ters_sira). Plasebo havuzu denemesi placebo_havuz.R.
138.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri ve pencereler hazırlanır (179–245); dataprep ve synth iç içe optimizasyonu çalıştırılır (262–273); donör ağırlıkları, öngörücü dengesi, uyum ve yol tabloları yazılır (274–307); isteğe bağlı plasebo testi (308–345); iki şekil (359–376).
138.4.1 Öngörücü matrisleri
Her birim için k öngörücü hesaplanır: (i) ongorucu listesindeki her değişkenin [\,ongoru_bas, ongoru_bit\,] penceresindeki ortalaması (ya da ortancası); (ii) her özel öngörücünün kendi yıl kümesindeki ortalaması (adım verilmişse o adımla; gdpcap:1960-1969 her yılı, sec_energy:1961-1969:2 1961, 1963, 1965, 1967, 1969'u kullanır). Pencere ortalaması dolu değerlerin ortalamasıdır; bir birimin pencerede hiç dolu değeri yoksa ortalama NaN olur ve şablon "öngörücü penceresinde bütün değerleri eksik olan birim var" iletisiyle durur (267). Sonuç değişkeni özel öngörücü olarak da kullanılabilir (örnekte gdpcap:1960-1969).
138.4.2 Ölçekleme ve W'nin ikinci derece programı
X_1 ve X_0'ın her satırı, tedavi edilen birim ve donörler üzerindeki örneklem standart sapmasına bölünerek ölçeklenir (Synth içinde fn.V; böylece birimleri farklı öngörücüler karşılaştırılabilir olur). Verilen V için
kısıtlı ikinci derece programı ipop (çekirdek yöntemi, kernlab) ile çözülür; margin_ipop (5\times10^{-4}), sigf_ipop (5) ve bound_ipop (10) çözücünün durma ölçütleridir (258–260). Sonuçta çok küçük (yaklaşık 10^{-7}) ama sıfırdan farklı ağırlıklar kalabilir: örnekte 14 donörün ağırlığı 4{,}1\times10^{-7} ile 2{,}2\times10^{-8} arasındadır; bunlar sıfır sayılmalıdır. quadopt = LowRankQP seçilirse LowRankQP paketi gerekir (kurulu değilse hata, 232).
Koddaki tercih
ipop'un marj ölçütü nedeniyle şablonun W çözümü tam çözümden yaklaşık 10^{-6} farklıdır (bağımsız çözümle örnekte en büyük fark 1{,}06\times10^{-6}; 138.6). Bu fark RMSPE, açık yolu ve ortalama etkide 10^{-6}–10^{-7} düzeyindedir. İsterseniz margin_ipop'u küçültebilirsiniz (daha yavaş).
138.4.3 V'nin iç içe optimizasyonu
Dış döngüde V (köşegen, k parametre), \mathcal T_{\mathrm{opt}}=[\,opt_bas, T_0) penceresinde \mathrm{MSPE}(V)=\tfrac1{T}\sum_{t}(Y_{1t}-\sum_j\hat w_j(V)Y_{jt})^2'yi en küçükleyecek biçimde seçilir (loss.v). Şablon Synth'in method = "BFGS" ayarını kullanır ve optimx_yontemi = varsayılan iken optimx'in Nelder-Mead ve BFGS'yi birlikte deneyip küçük kayıplıyı seçmesine izin verir (106–113, 249); çıktıya hangi yöntemle kestirildiğini ve kayıp yüzeyinin çok yerel en iyili olduğunu söyleyen bir not yazılır (302–304) ve yontem_karsilastir açıkken Nelder-Mead, BFGS ve nlminb ayrı ayrı çalıştırılıp MSPE, uyum, etki ve en büyük donör ağırlığı yan yana yazılır (347–358); başlangıç değeri regresyon temelli bir tahmindir. V sonunda toplamı 1 olacak biçimde normalize edilir. Kayıp yüzeyi çok yerel en iyilidir: örnekte şablonun çözümünün kaybı 0{,}008865 iken rastgele altı başlangıçtan Nelder-Mead 0{,}0098–0{,}2103 yerel en iyilere gider (138.6). genoud = açık genetik algoritma ile küresel arama ekler (rgenoud; yavaş; rastgelelik içerir).
V nedensel bir parametre değildir
V, öngörücülerin önem ağırlıklarını yalnız müdahale öncesi uyumu iyileştirmek için seçer; örnekte sec_industry (0{,}311), popdens (0{,}329) ve sec_agriculture (0{,}278) yüksek, school_* (6\times10^{-7}–0{,}016) düşüktür. Düşük ağırlıklı öngörücülerde tedavi ile sentetik değer çok farklı olabilir (school_illit: 39{,}9 ve 256{,}3) ve bu bir kusur değildir; ama dengeye bakarken yalnız ağırlığı yüksek öngörücüler anlamlıdır.
138.4.4 Etki, RMSPE ve plasebo
\hat\tau_t=Y_{1t}-\hat Y_{1t}(0) ("açık"). Müdahale öncesi (t<T_0) ve sonrası (t\ge T_0) RMSPE ve oranları yazılır; "ortalama etki", sonrası açıkların ortalamasıdır. Plasebo testi (309–344): her donör u sırayla "tedavi edilen" olur, kalan birimler (tedavi edilen birim dahil, 284–286) donör havuzudur ve aynı yöntem uygulanır. Her birim için \mathrm{oran}_u=\mathrm{RMSPE}^{\mathrm{sonrası}}_u/\mathrm{RMSPE}^{\mathrm{öncesi}}_u hesaplanır; birimler orana göre azalan sıralanır (rank(-oran, ties.method = "min")) ve permütasyon p değeri p=\text{sıra}_1/N (N = tedavi edilen birim artı plasebo sayısı) olur (334–343). plasebo_rmspe_siniri k>0 ise öncesi RMSPE'si tedavi edilen birimin k katını aşan plasebolar çıkarılır (Abadie ve ark., 2010; 298–305). Plasebo, her donör için yeniden kestirim gerektirdiğinden yavaştır (örnekte 16 yeniden uydurma: 199 s); bir donörün yeniden kestirimi hata verirse o donör sessizce atlanır (312–319).
Neden oran, yalnız sonrası RMSPE değil
Müdahale sonrası büyük bir açık, öncesi uyumu kötü olan bir birimde anlamsızdır. Oran, öncesi uyumuna göre normalize edilir ve "tedavi edilen birimin sonrası sapması, uyumuna göre olağandışı mı" sorusunu yanıtlar (Abadie ve ark., 2010). Plasebo p değeri, permütasyon mantığıyla, tedavi atamasının donörlerden rastgele seçildiği null altında oranın bu kadar büyük olma olasılığıdır; N=17 iken en küçük erişilebilir p=1/17\approx0{,}059.
138.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–175 | Üstbilgi: 23 parametre, örnek veri ve ayar. | |
| 176–178 | .m dil yardımcısı; Synth yüklenir. |
|
| 179–201 | Veri denetimi; öngörücü listesi ve özel öngörücülerin ayrıştırılması. | Özel biçim: değişken:başlangıç-bitiş[:adım] (184–198). |
| 202–217 | Tablo, zaman tamsayı denetimi; birim kimliği; tedavi birimi ve donör havuzu. | Metin sıralaması (208). |
| 218–227 | Müdahale, öngörücü ve optimizasyon pencereleri. | Pencereler müdahaleden önce olmalı (226–227). |
| 228–245 | Tam birim × dönem ızgarası; make.names; optimizasyon penceresinde eksik sonuç denetimi. |
Eksik hücre NA olur (228–231). |
| 246–261 | Synth ek ayarları (optimxmethod, genoud, quadopt, ipop ölçütleri); pencere işlemi. |
|
| 262–273 | kur: dataprep ve synth(method = "BFGS"); çıktıları sessize alır. |
Hata mq_hata'ya çevrilir (272). |
| 274–307 | Donör ağırlıkları, öngörücü dengesi, uyum özeti ve yol tabloları. | Çıktıda V ve W toplamı 1. |
| 308–345 | Plasebo: her donör için yeniden kur; oran, sıra, p. |
Başarısız yeniden kestirim atlanır (312–319). |
| 359–376 | Tedavi ve sentetik yol şekli; açık ve plasebo açıkları şekli. | Şekil 138.1 ve 138.2. |
Süre: örnek ayarda (plasebo kapalı) çalıştırma 15,2 s; plasebo açıkken 199 s.
138.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesap iki yoldan yapıldı: dogrulama/sentetik_kontrol/elle_hesap.py (yalnız numpy, pandas, scipy; Synth kullanılmaz: öngörücü matrisleri, ölçekleme, W için SLSQP ile kısıtlı ikinci derece programı, kayıplar, V'nin yerel en iyilik sınaması) ve r_dogrulama.R (öngörücü matrisleri taban R ile; W için quadprog::solve.QP; ayrıca aynı V ile doğrudan Synth::synth(custom.v = V)). V'nin kendisi doğrusal olmayan optimizasyonla bulunduğundan bağımsız hesap onu şablonun V'sinden başlatır ve (i) verilen V için W'nin doğruluğunu, (ii) türetilen büyüklükleri ve (iii) V'nin yerel en iyiliğini sınar.
Adım 1 — Öngörücü matrisleri. Bask Ülkesi için 14 öngörücü: school_illit 39{,}8885, school_prim 1031{,}74, school_med 90{,}3587, school_high 25{,}7275, school_post_high 13{,}4797, invest 24{,}6474, gdpcap (1960–1969 ortalaması) 5{,}2855, sec_agriculture 6{,}8440, sec_energy 4{,}1060, sec_industry 45{,}082, sec_construction 6{,}150, sec_services_venta 33{,}754, sec_services_nonventa 4{,}072, popdens 246{,}89. Şablonun "tedavi" sütunuyla aynıdır (10^{-9} içinde). Her satır, 17 birim (16 donör ve tedavi edilen) üzerindeki örneklem standart sapmasına bölünür.
Adım 2 — W. Şablonun V'si (toplamı 1; en büyükleri 0{,}329 popdens, 0{,}311 sec_industry, 0{,}278 sec_agriculture) ile ikinci derece program: Katalonya 0{,}850817, Madrid 0{,}149183, ötekiler <10^{-12}. Şablonun ipop çözümü 0{,}850816 ve 0{,}149183; en büyük fark 1{,}06\times10^{-6} (Katalonya). quadprog çözümü Python ile eşittir; Synth'in aynı V ile çözümü şablonunkiyle özdeştir. Katalonya 0{,}851 ve Madrid 0{,}149 yayımlanmış sonuçlarla (Abadie ve Gardeazabal, 2003; Abadie ve ark., 2011) uyuşur.
Adım 3 — Kayıplar. Öngörücü kaybı (X_1-X_0W)'V(X_1-X_0W): şablon 0{,}321482; bağımsız çözüm 0{,}321481. Optimizasyon penceresi MSPE'si (1960–1969): şablon 0{,}00886459; bağımsız çözüm 0{,}00886454 (fark 5\times10^{-8}).
Adım 4 — Açık yolu. \hat Y_{1t}(0)=\sum_j\hat w_jY_{jt}: 1970'te 6{,}1701-6{,}1379=0{,}0322; 1983'te -0{,}8265; 1997'de -0{,}8281 (sentetik 10{,}9988; -\%7{,}5). Müdahale öncesi RMSPE 0{,}09061, sonrası 0{,}70233, oran 7{,}7514, ortalama etki -0{,}57992; şablonun W'siyle formül değerleri aynıdır, tam çözülmüş W ile 10^{-6} mertebesinde farklıdır (oran 7{,}75143).
Adım 5 — V'nin yerel en iyiliği. Şablonun V'sinden Nelder-Mead başlatıldığında MSPE yalnız 7\times10^{-12} iyileşir: çözüm yerel en iyidir. Altı rastgele başlangıçtan en iyisi 0{,}009791; öteki beşi 0{,}012–0{,}210: şablonun varsayılan optimizasyonu (0{,}008865) rastgele başlangıçlı Nelder-Mead'den daha iyi bir yerel en iyi bulur, ama küresel en iyi olduğu bu hesapla kanıtlanmaz.
Adım 6 — Plasebo. 17 birim (tedavi edilen ve 16 plasebo). Tedavi edilen birimin oranı 7{,}7514; daha büyük oranlı 5 plasebo var (Asturias 33{,}66, Andalucia 19{,}53, Navarra 15{,}53, Cantabria 9{,}06, Valencia 8{,}23): sıra 6, p=6/17=0{,}3529. Öncesi RMSPE'si tedavi edilen birimin (0{,}0906) altında olan 10 plasebonun (örnek: Asturias 0{,}0250) yakın uyumu, oranı büyütür. Katalonya, Madrid ve Asturias plasebolarının Synth ile yeniden uydurulan oranları şablonla 10^{-3} göreli içinde aynıdır (7{,}436; 1{,}066; 33{,}636 ve şablonda 7{,}435; 1{,}066; 33{,}655).
138.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Donör ağırlığı W: birim 2 | 2,151830·10−8 | 0 | 0 | 2,2e−8 | ✓ |
| Donör ağırlığı W: birim 3 | 3,818213·10−8 | 6,394531·10−17 | 1,550982·10−12 | 3,8e−8 | ✓ |
| Donör ağırlığı W: birim 4 | 5,281653·10−8 | 1,314723·10−16 | 0 | 5,3e−8 | ✓ |
| Donör ağırlığı W: birim 5 | 2,862989·10−8 | 1,717691·10−16 | 0 | 2,9e−8 | ✓ |
| Donör ağırlığı W: birim 6 | 2,793517·10−8 | 0 | 0 | 2,8e−8 | ✓ |
| Donör ağırlığı W: birim 7 | 4,109164·10−7 | 6,834575·10−17 | 0 | 4,1e−7 | ✓ |
| Donör ağırlığı W: birim 8 | 3,021941·10−8 | 0 | 2,238402·10−14 | 3,0e−8 | ✓ |
| Donör ağırlığı W: birim 9 | 3,584547·10−8 | 2,292942·10−16 | 0 | 3,6e−8 | ✓ |
| Donör ağırlığı W: birim 10 | 0,85081604 | 0,8508171 | 0,8508171 | 1,1e−6 | ✓ |
| Donör ağırlığı W: birim 11 | 8,093290·10−8 | 2,276695·10−16 | 1,473389·10−16 | 8,1e−8 | ✓ |
| Donör ağırlığı W: birim 12 | 2,539185·10−8 | 0 | 0 | 2,5e−8 | ✓ |
| Donör ağırlığı W: birim 13 | 4,132961·10−8 | 8,399443·10−21 | 0 | 4,1e−8 | ✓ |
| Donör ağırlığı W: birim 14 | 0,14918296 | 0,1491829 | 0,1491829 | 5,6e−8 | ✓ |
| Donör ağırlığı W: birim 15 | 3,734576·10−8 | 1,582726·10−16 | 0 | 3,7e−8 | ✓ |
| Donör ağırlığı W: birim 16 | 8,221861·10−8 | 1,198285·10−16 | 9,881116·10−17 | 8,2e−8 | ✓ |
| Donör ağırlığı W: birim 18 | 8,994246·10−8 | 1,828281·10−16 | 6,416950·10−13 | 9,0e−8 | ✓ |
| V ağırlıklarının toplamı | 1 | 1 | — | 0 | ✓ |
| Öngörücü, tedavi: school_illit | 39,88846461 | 39,88846461 | — | 5,3e−16 | ✓ |
| Öngörücü, sentetik: school_illit | 256,33689052 | 256,33689052 | — | 8,9e−16 | ✓ |
| Öngörücü, donör ortalaması: school_illit | 170,78580583 | 170,78580583 | — | 1,0e−15 | ✓ |
| Öngörücü, tedavi: school_prim | 1031,7422994 | 1031,7422994 | — | 2,9e−15 | ✓ |
| Öngörücü, sentetik: school_prim | 2730,10569754 | 2730,10569754 | — | 2,0e−15 | ✓ |
| Öngörücü, donör ortalaması: school_prim | 1127,18639692 | 1127,18639692 | — | 2,2e−15 | ✓ |
| Öngörücü, tedavi: school_med | 90,35866801 | 90,35866801 | — | 0 | ✓ |
| Öngörücü, sentetik: school_med | 223,33995488 | 223,33995488 | — | 2,0e−15 | ✓ |
| Öngörücü, donör ortalaması: school_med | 76,2603323 | 76,2603323 | — | 1,9e−16 | ✓ |
| Öngörücü, tedavi: school_high | 25,72752508 | 25,72752508 | — | 6,9e−16 | ✓ |
| Öngörücü, sentetik: school_high | 63,4367549 | 63,4367549 | — | 7,8e−16 | ✓ |
| Öngörücü, donör ortalaması: school_high | 24,23524198 | 24,23524198 | — | 1,9e−15 | ✓ |
| Öngörücü, tedavi: school_post_high | 13,4797198 | 13,4797198 | — | 1,1e−15 | ✓ |
| Öngörücü, sentetik: school_post_high | 36,15344487 | 36,15344487 | — | 1,6e−15 | ✓ |
| Öngörücü, donör ortalaması: school_post_high | 13,47786966 | 13,47786966 | — | 1,2e−15 | ✓ |
| Öngörücü, tedavi: invest | 24,64738305 | 24,64738305 | — | 5,8e−16 | ✓ |
| Öngörücü, sentetik: invest | 21,58264225 | 21,58264225 | — | 0 | ✓ |
| Öngörücü, donör ortalaması: invest | 21,42364145 | 21,42364145 | — | 1,5e−15 | ✓ |
| Öngörücü, tedavi: gdpcap (1960-1969) | 5,28546845 | 5,28546845 | — | 5,0e−16 | ✓ |
| Öngörücü, sentetik: gdpcap (1960-1969) | 5,27078131 | 5,27078131 | — | 1,0e−15 | ✓ |
| Öngörücü, donör ortalaması: gdpcap (1960-1969) | 3,5809376 | 3,5809376 | — | 6,2e−16 | ✓ |
| Öngörücü, tedavi: sec_agriculture (1961-1969, adım 2) | 6,84399996 | 6,84399996 | — | 2,6e−16 | ✓ |
| Öngörücü, sentetik: sec_agriculture (1961-1969, adım 2) | 6,17935777 | 6,17935777 | — | 8,6e−16 | ✓ |
| Öngörücü, donör ortalaması: sec_agriculture (1961-1969, adım 2) | 21,3532501 | 21,3532501 | — | 0 | ✓ |
| Öngörücü, tedavi: sec_energy (1961-1969, adım 2) | 4,10600004 | 4,10600004 | — | 0 | ✓ |
| Öngörücü, sentetik: sec_energy (1961-1969, adım 2) | 2,75976021 | 2,75976021 | — | 0 | ✓ |
| Öngörücü, donör ortalaması: sec_energy (1961-1969, adım 2) | 5,3105 | 5,3105 | — | 6,7e−16 | ✓ |
| Öngörücü, tedavi: sec_industry (1961-1969, adım 2) | 45,08199997 | 45,08199997 | — | 4,7e−16 | ✓ |
| Öngörücü, sentetik: sec_industry (1961-1969, adım 2) | 37,6359419 | 37,6359419 | — | 1,9e−15 | ✓ |
| Öngörücü, donör ortalaması: sec_industry (1961-1969, adım 2) | 22,42475001 | 22,42475001 | — | 6,3e−16 | ✓ |
| Öngörücü, tedavi: sec_construction (1961-1969, adım 2) | 6,15 | 6,15 | — | 1,4e−16 | ✓ |
| Öngörücü, sentetik: sec_construction (1961-1969, adım 2) | 6,95245016 | 6,95245016 | — | 1,4e−15 | ✓ |
| Öngörücü, donör ortalaması: sec_construction (1961-1969, adım 2) | 7,27550001 | 7,27550001 | — | 3,7e−16 | ✓ |
| Öngörücü, tedavi: sec_services_venta (1961-1969, adım 2) | 33,75400009 | 33,75400009 | — | 1,1e−15 | ✓ |
| Öngörücü, sentetik: sec_services_venta (1961-1969, adım 2) | 41,10374546 | 41,10374546 | — | 1,6e−15 | ✓ |
| Öngörücü, donör ortalaması: sec_services_venta (1961-1969, adım 2) | 36,52812502 | 36,52812502 | — | 1,4e−15 | ✓ |
| Öngörücü, tedavi: sec_services_nonventa (1961-1969, adım 2) | 4,07200012 | 4,07200012 | — | 2,2e−16 | ✓ |
| Öngörücü, sentetik: sec_services_nonventa (1961-1969, adım 2) | 5,37134109 | 5,37134109 | — | 1,8e−15 | ✓ |
| Öngörücü, donör ortalaması: sec_services_nonventa (1961-1969, adım 2) | 7,11137497 | 7,11137497 | — | 2,5e−16 | ✓ |
| Öngörücü, tedavi: popdens (1969) | 246,88999939 | 246,88999939 | — | 0 | ✓ |
| Öngörücü, sentetik: popdens (1969) | 196,28302761 | 196,28302761 | — | 1,2e−15 | ✓ |
| Öngörücü, donör ortalaması: popdens (1969) | 99,41374993 | 99,41374993 | — | 1,4e−16 | ✓ |
| Optimizasyon penceresi MSPE (loss V), sentetik W ile | 0,00886459 | 0,00886454 | 0,00886454 | 4,9e−8 | ✓ |
| Öngörücü kaybı (loss W) | 0,32148199 | 0,3214813 | 0,3214813 | 6,9e−7 | ✓ |
| Optimizasyon penceresi MSPE, şablonun W'siyle (formül) | 0,00886459 | 0,00886459 | — | 2,4e−16 | ✓ |
| Müdahale öncesi RMSPE (şablon W'siyle) | 0,09060758 | 0,09060758 | — | 1,2e−15 | ✓ |
| Müdahale sonrası RMSPE (şablon W'siyle) | 0,70233367 | 0,70233367 | — | 6,0e−15 | ✓ |
| Sonrası/öncesi RMSPE oranı (şablon W'siyle) | 7,75137836 | 7,75137836 | — | 2,2e−14 | ✓ |
| Ortalama etki (şablon W'siyle) | −0,57992261 | −0,57992261 | — | 7,1e−15 | ✓ |
| Müdahale öncesi RMSPE (tam çözülmüş W ile) | 0,09060758 | 0,09060721 | 0,09060721 | 3,7e−7 | ✓ |
| Müdahale sonrası RMSPE (tam çözülmüş W ile) | 0,70233367 | 0,70233523 | 0,70233523 | 1,6e−6 | ✓ |
| Sonrası/öncesi RMSPE oranı (tam çözülmüş W ile) | 7,75137836 | 7,75142756 | 7,75142756 | 6,3e−6 | ✓ |
| Ortalama etki (tam çözülmüş W ile) | −0,57992261 | −0,57992436 | −0,57992436 | 1,7e−6 | ✓ |
| Sentetik yol, 1955 | 3,70294877 | 3,70294877 | — | 4,8e−16 | ✓ |
| Açık (tedavi − sentetik), 1955 | 0,15023586 | 0,15023586 | 0,15023471 | 1,2e−6 | ✓ |
| Sentetik yol, 1960 | 4,37893203 | 4,37893203 | — | 1,4e−15 | ✓ |
| Açık (tedavi − sentetik), 1960 | −0,09301363 | −0,09301363 | −0,09301495 | 1,3e−6 | ✓ |
| Sentetik yol, 1969 | 5,99310735 | 5,99310735 | — | 1,9e−15 | ✓ |
| Açık (tedavi − sentetik), 1969 | 0,08829807 | 0,08829807 | 0,08829654 | 1,5e−6 | ✓ |
| Sentetik yol, 1970 | 6,13792308 | 6,13792308 | — | 1,3e−15 | ✓ |
| Açık (tedavi − sentetik), 1970 | 0,03217116 | 0,03217116 | 0,03216967 | 1,5e−6 | ✓ |
| Sentetik yol, 1975 | 7,22804318 | 7,22804318 | — | 1,4e−15 | ✓ |
| Açık (tedavi − sentetik), 1975 | 0,1498485 | 0,1498485 | 0,14984688 | 1,6e−6 | ✓ |
| Sentetik yol, 1983 | 7,42185378 | 7,42185378 | — | 3,6e−16 | ✓ |
| Açık (tedavi − sentetik), 1983 | −0,82652398 | −0,82652398 | −0,82652549 | 1,5e−6 | ✓ |
| Sentetik yol, 1990 | 9,78825551 | 9,78825551 | — | 5,4e−16 | ✓ |
| Açık (tedavi − sentetik), 1990 | −1,01147762 | −1,01147762 | −1,01147973 | 2,1e−6 | ✓ |
| Sentetik yol, 1997 | 10,99875376 | 10,99875376 | — | 4,8e−16 | ✓ |
| Açık (tedavi − sentetik), 1997 | −0,82808789 | −0,82808789 | −0,82809041 | 2,5e−6 | ✓ |
| Açık yolunun mutlak toplamı | 17,87136767 | 17,87136767 | 17,87139966 | 1,8e−6 | ✓ |
| Synth (custom.v = şablonun V'si): W'nin en büyüğü | 0,85081604 | 0,8508171 | 0,85081604 | 1,1e−6 | ✓ |
| Synth (custom.v): loss V | 0,00886459 | 0,00886454 | 0,00886459 | 4,9e−8 | ✓ |
| V'nin yerel en iyiliği: Nelder-Mead ile iyileşme (0 beklenir) | 0 | 7,033304·10−12 | — | 7,0e−12 | ✓ |
| Plasebo: birim sayısı | 17 | 17 | — | 0 | ✓ |
| Plasebo: tedavi biriminin oranı | 7,75137836 | 7,75137836 | 7,75142756 | 6,3e−6 | ✓ |
| Plasebo: tedavi biriminin sırası | 6 | 6 | — | 0 | ✓ |
| Plasebo: permütasyon p (sıra/birim sayısı) | 0,35294118 | 0,35294118 | — | 0 | ✓ |
| Plasebo 10 (Katalonya): oran, R yeniden uydurma (tedavili havuz) | 7,43545838 | — | 7,43600356 | 7,3e−5 | ✓ |
| Plasebo 14 (Madrid): oran, R yeniden uydurma (tedavili havuz) | 1,06561245 | — | 1,06561246 | 1,1e−8 | ✓ |
| Plasebo 4 (Asturias): oran, R yeniden uydurma (tedavili havuz) | 33,6553745 | — | 33,63550316 | 5,9e−4 | ✓ |
Ölçütü karşılayan: 97/97. Ölçüt 10^{-6} (değer 1'den büyükse göreli); W'ye ve optimizasyona dayanan satırlarda 10^{-5}: şablonun ikinci derece programı çekirdek yöntemiyle (ipop, marj 5\times10^{-4}) çözülür, bağımsız Python (SLSQP) ve R (quadprog::solve.QP) tam çözümü verir; fark 1{,}1\times10^{-6} mertebesindedir. Python sütunu Synth kullanılmadan veri matrislerinden yeniden kurulmuştur (pencere ortalamaları, özel öngörücüler, satır standart sapmasıyla ölçekleme, kısıtlı en küçük kareler). V ağırlıkları doğrusal olmayan optimizasyonla bulunur; bağımsız doğrulama, şablonun V'sinin yerel en iyi olduğunu (Nelder-Mead ile iyileşme 7\times10^{-12}) ve altı rastgele başlangıçtan Nelder-Mead'in şablonun kaybına (0{,}008865) ulaşamadığını (en iyisi 0{,}009791; en kötüsü 0{,}2103: kayıp yüzeyi çok yerel en iyilidir) gösterir. R sütunundaki Synth satırları aynı V verilip yalnız W'nin yeniden çözüldüğü doğrudan synth(custom.v = V) çağrısıdır. Plasebo yeniden uydurmalarında (R) Synth kendisi çağrılır ve 10^{-3} göreli ölçüt kullanılır (yerel en iyi çözümlerin küçük farkı); bu, bağımsız bir algoritma değil bağımsız bir çağrıdır. Plasebo oranı hesabı müdahale sonrası/öncesi RMSPE tablosundan yeniden alınmıştır (sıra ve p aritmetiği).
138.7 Çıktıyı okuma
Örnek ayarda şablonun dört tablosu (plasebo açık çalıştırmada beşincisi; sk_plasebo; sayılar olduğu gibi; uzun tablolar kısaltılmıştır):
Tedavi edilen: Basque Country (Pais Vasco); donör sayısı = 16; müdahale = 1970; öngörücü penceresi 1964-1969; optimizasyon 1960-1969
Donör ağırlıkları (W; negatif olmayan, toplamı 1)
birim ad agirlik
10 Cataluna 0.850816
14 Madrid (Comunidad De) 0.149183
7 Cantabria 4.1e-07
18 Rioja (La) 9.0e-08
… (12 donör daha, hepsi < 1e-7)
Öngörücü dengesi (tedavi, sentetik kontrol, donör ortalaması) ve önem ağırlıkları V
ongorucu tedavi sentetik orneklem_ortalamasi V
school_illit 39.89 256.34 170.79 0.01594
school_prim 1031.74 2730.11 1127.19 0.00624
gdpcap (1960-1969) 5.285 5.271 3.581 0.00876
sec_agriculture (1961-1969, adım 2) 6.844 6.179 21.353 0.27845
sec_industry (1961-1969, adım 2) 45.082 37.636 22.425 0.31080
popdens (1969) 246.890 196.283 99.414 0.32877
… (8 öngörücü daha)
Uyum ve etki özeti
Optimizasyon penceresi MSPE (loss V) 0.008865
Öngörücü kaybı (loss W) 0.321482
Müdahale öncesi RMSPE 0.090608
Müdahale sonrası RMSPE 0.702334
Sonrası/öncesi RMSPE oranı 7.751378
Ortalama etki (sonrası açık) -0.579923
Tedavi edilen ve sentetik kontrol yolu (seçilmiş dönemler)
donem tedavi sentetik acik
1955 3.8532 3.7029 0.1502
1969 6.0814 5.9931 0.0883
1970 6.1701 6.1379 0.0322
1983 6.5953 7.4219 -0.8265
1997 10.1707 10.9988 -0.8281
Uzayda plasebo testi: sonrası/öncesi RMSPE oranı (ilk 8 satır)
birim oncesi_RMSPE sonrasi_RMSPE oran sira tedavi_mi
4 0.0250 0.8430 33.6554 1
2 0.0272 0.5304 19.5334 2
16 0.0189 0.2934 15.5291 3
7 0.0341 0.3091 9.0619 4
11 0.0437 0.3597 8.2269 5
17 0.0906 0.7023 7.7514 6 evet
18 0.0256 0.1987 7.7491 7
10 0.0922 0.6857 7.4355 8
Plasebo permütasyon p değeri (oran sırası / birim sayısı) = 6/17 = 0.3529
Şekil 138.1. Şablonun şekli: Bask Ülkesi (mor) ve sentetik kontrolü (kesikli gri) için kişi başı GSYH yolu; dikey çizgi 1970. Müdahale öncesi yollar çakışıktır; 1970'ten sonra, özellikle 1975 sonrası ayrışır.

Şekil 138.2. Şablonun ikinci şekli: açık (tedavi − sentetik; mor) ve 16 plasebonun açıkları (açık gri). Bask Ülkesi'nin açığı 1980'lerden sonra negatif uçlardadır, ama bazı plasebolar da benzer ya da daha büyük negatif açıklara ulaşır.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Donör ağırlıkları | W; negatif olmayan, toplamı 1. | Sentetik Bask Ülkesi yaklaşık %85 Katalonya ve %15 Madrid'dir; 10^{-7} mertebesindeki ağırlıklar sıfırdır. Birkaç donör yeterli olabilir (seyrek). |
| Öngörücü dengesi | Her öngörücü için tedavi, sentetik, donör ortalaması, V. | V'si yüksek öngörücüler (sec_agriculture, sec_industry, popdens) tedaviye yakındır; school_* uzak (39{,}9 ve 256{,}3) ama V\approx0'dır. Ortalama donör, tedaviden uzak olduğundan sentetik kontrol, tek tek benzer bölgelerden yapılan bir seçimdir. |
| Uyum ve etki özeti | MSPE, öngörücü kaybı, RMSPE, oran, ortalama etki. | Öncesi RMSPE 0{,}091 (1955–1969 gdpcap aralığı 3{,}85–6{,}08 iken küçük); sonrası 0{,}702; oran 7{,}75. Ortalama etki -0{,}58: Bask Ülkesi, sentetik yola göre ortalamada bu kadar geridedir. |
| Yol tablosu | Dönem, tedavi, sentetik, açık. | Açık 1970'ten önce sıfır etrafında salınır (\pm0{,}16); 1980'lerde -0{,}8'e iner. Yol tablosunda tam serinin 43 satırı vardır. |
| Plasebo tablosu | Her birim için öncesi/sonrası RMSPE, oran, sıra. | Tedavi edilen birim 17 birim içinde 6. sıradadır; p=0{,}353: yer değiştirmeli (permütasyon) çıkarımla etki 0,05 düzeyinde anlamlı değildir. Öncesi uyumu daha iyi 10 plasebo oranı yukarı çeker (138.8). |
Bask Ülkesi'nin kişi başı GSYH'si, 1970 sonrasında, 16 donör bölgeden kurulan sentetik kontrole (Katalonya 0{,}851, Madrid 0{,}149) göre ortalamada 0{,}58 birim düşük seyretmiştir (müdahale öncesi RMSPE 0{,}091; sonrası 0{,}702; oran 7{,}75). 1997'de fark -0{,}83'tür (sentetik yolun yaklaşık %7,5'i). Uzayda plasebo testinde oran 17 birim içinde altıncı en büyük bulunmuştur (permütasyon p=6/17=0{,}353); bu nedenle gözlenen sapma, plasebo dağılımına göre olağandışı sayılamaz.
138.8 Sık hatalar ve tuzaklar
- Donör havuzuna birleşik birimi koymak. Birim 1 (İspanya toplamı) tedavi edilen birimi de içerir;
haricile çıkarılmalıdır. Çıkarılmazsa şablon uyarmaz (skk_haric_yok: ağırlıklar yine Katalonya 0{,}8508 ve Madrid 0{,}1492, öngörücü kaybı 0{,}3036). - V optimizasyonu yerel en iyiye gider. Aynı veride yalnız Nelder-Mead seçilirse MSPE 0{,}008865 yerine 0{,}024915, oran 7{,}75 yerine 3{,}87 ve Katalonya ağırlığı 0{,}85 yerine 1{,}00 olur (
skk_nm). Şablon seçilen yöntemi ve bu duyarlılığı bir notla bildirir;yontem_karsilastirseçeneği yöntemleri yan yana verir. Varsayılanı bırakın ve ağırlıkların kararlılığını bu seçenekle denetleyin. - Çok küçük ağırlıkları sıfır saymak.
ipopmarjı nedeniyle sıfır olması gereken ağırlıklar 10^{-7} mertebesinde kalır; "16 donörün hepsi kullanıldı" diye okumayın. - Dışbükey zarfın dışında kalan tedavi edilen birim. Ağırlıklar negatif olamadığından ekstrapolasyon yoktur; öncesi RMSPE büyür ve tablo bunu hata saymaz. Örnekte
school_illitsentetik değeri 256, tedavi 39{,}9 ve donör ortalaması 170{,}8: tedavi edilen birim bu öngörücüde donörlerin dışındadır; V bu öngörücüye çok küçük ağırlık verdiğinden etkisi sınırlıdır. - Ölçüm seyrekliği.
school_*,sec_*vepopdensyalnız birkaç yılda doludur; pencere "ortalaması" dolu yıllara dayanır. Bir birimin pencerede hiç dolu değeri yoksa çalıştırma durur ve iletide birim adı ve öngörücü yazılır (skk_ong_tam_eksik: birim 10 = Cataluna,school_illit, 1964-1969). Kısmi eksik sessizce atlanır (skk_ong_kismi_eksik). - Dengesiz ya da eksik sonuç. Optimizasyon penceresinde bir birimin bir yılı eksikse hata verir; ileti hangi birim ve yıl olduğunu söylemez (
skk_y_eksik,skk_yil_atlama). - Zaman sütunu. Tamsayı dönem ister (
1960,5hata;skk_zaman_ondalik); yinelenen birim-dönem hata verir (skk_yinelenen); satır sırası önemsizdir (skk_ters_sira: sonuç aynı). - Birim kimliği ve metin sıralaması. Birim kimlikleri metin olarak sıralanır (
"10"<"2"); sonuç bu sıradan bağımsızdır (skk_birim_kat,skk_birim_metin: ağırlıklar ve RMSPE aynı); şablonun hata iletileri iç numarayı değil birim adını yazar. - Ondalık virgüllü sonuç.
"6,170094"gibi metin sütunu sayısal rol denetiminde reddedilir (skk_virgul). - Plasebo süresi ve havuzu. 16 yeniden uydurma 199 s sürer; varsayılanda her birine tedavi edilen birim de havuzda verilir.
plasebo_havuz = haricile havuzdan çıkarıldığında oranlar değişir (Katalonya 7{,}44\to3{,}95; Madrid 1{,}07\to0{,}36), çünkü V başka bir yerel en iyiye gider; kullanılan havuz sonuç metninde yazılır (340). Yeniden kestirimi hata veren donör plasebo tablosundan düşer ve düşürülen sayı yazılır (317–318). Plasebo p değeri en küçük 1/N'dir (N=17: 0{,}059); bu çözünürlüğün altında anlamlılık gösterilemez. - Plasebo oranı ve öncesi uyumu. Öncesi RMSPE'si çok küçük olan plasebolar (örnekte 0{,}019–0{,}034) oranı yapay olarak büyütür. Öncesi uyumu tedavi edilenin k katını aşan plasebolar çıkarılabilir (
plasebo_rmspe_siniri); bu seçenek örnek ayarda kapalıdır. - Tohum. Genetik algoritma kapalıyken sonuç tohumdan bağımsızdır; kod panelindeki Tohum alanı etkisizdir.
138.9 Uzman soruları
S1. Katalonya ve Madrid neden seçildi ve sentetik kontrole ne kadar güvenebilirim?
Katalonya ve Madrid, 1960–1969 sektör payları, kişi başı GSYH ve nüfus yoğunluğu bakımından Bask Ülkesi'ne en yakın donör bileşimini verir; yayımlanmış sonuç aynıdır (Abadie ve Gardeazabal, 2003). Güven için üç ölçüt: (i) öncesi RMSPE küçük mü (0{,}091; 1955–1969 gdpcap aralığı 3{,}85–6{,}08); (ii) ağırlıklı öngörücüler dengeli mi (sec_*, popdens: evet; school_*: V\approx0); (iii) sonuç, V yöntemine ve donör havuzuna duyarlı mı (duyarlı: 138.8). Bu veride (iii) uyarıcıdır.
S2. V nasıl seçilir ve neden iki aşamalı?
W öngörücü uzayında tedavi edilen birime en yakın dışbükey bileşimi verir; V bu uzaklığın hangi öngörücülere duyarlı olacağını belirler. V yalnız müdahale öncesi sonuç yolunu iyi izlemek için seçilir (ayrı bir sonuç penceresi opt_bas); sonuç sonrası yola bakılmaz. Aşamalı ve iç içe olduğundan kayıp yüzeyi çok yerel en iyilidir (138.4.3). Kaul ve ark. (2022), bütün öncesi sonuçların öngörücü olarak kullanıldığı durumda ek öngörücülerin ağırlıklarının sıfıra gittiğini gösterir; örnekte gdpcap yalnız 1960–1969 ortalaması olarak öngörücüdür, öncesi yolun tamamı öngörücü değildir.
S3. Plasebo testi neyi sınar ve p=6/17 ne demek?
Yöntemin her donöre "yapay müdahale" olarak uygulandığı bir permütasyon çıkarımıdır: tedavi edilen birimin sonrası/öncesi RMSPE oranı, plasebo oranlarının dağılımına göre olağandışı mı? Oran 17 birim içinde 6. sıradadır; null altında tedavi etkisinin hiç olmadığı ve atamanın rastgele olduğu varsayılırsa bu kadar ya da daha büyük bir oranın olasılığı 6/17=0{,}353'tür. Küçük N nedeniyle güç sınırlıdır ve öncesi uyumu çok iyi plasebolar oranı şişirir (Abadie ve ark., 2010; Firpo ve Possebom, 2018).
S4. Öncesi uyum zayıfsa ne olur?
Sentetik kontrol öncesi yolu iyi izlemiyorsa etki kestirimi yanlı olabilir (Ferman ve Pinto, 2021). Şablon öncesi RMSPE'yi yazar ama eşik koymaz; plasebo oranı bu yanlılığı bir ölçüde düzeltir (öncesi uyumuna bölünür). Örnekte öncesi RMSPE 0{,}091, gdpcap yoluna (3{,}85–10{,}17) göre küçüktür.
S5. Sınır durumu: tedavi edilen birim donörlerin dışbükey zarfının dışında
Ağırlıklar negatif olamayacağından yöntem ekstrapolasyon yapmaz; öngörücü kaybı ve öncesi RMSPE büyür. school_illit tedavi 39{,}9, donör ortalaması 170{,}8 (donörlerin çoğu daha yüksek): bu öngörücüde tedavi edilen birim uçtadır; dengesi sentetikte 256{,}3'e kaçar. V\approx0 olduğundan sonuç korunur, ama tedavi edilen birim önemli öngörücülerde zarfın dışında olsaydı sentetik kontrol uygun olmazdı.
S6. Başka bir paketle ya da başka bir çözücüyle fark?
ipop (şablon) ile quadprog::solve.QP ve SLSQP aynı V için W'yi 10^{-6} içinde bulur. Synth varsayılan akışıyla şablon aynıdır. Farklı programlar V için farklı başlangıç ve yöntem kullanabilir ve farklı yerel en iyilere gidebilir (Nelder-Mead tek başına bile farklı sonuç verir). Bu nedenle yayımlanmış sonuçlarla karşılaştırırken yalnız W ya da yalnız etkiye değil kayba (MSPE) da bakın.
S7. Taşma (spillover) ve öngörme varsayımları nasıl denetlenir?
Veri içinden tam denetlenemez. Taşma: donörler müdahaleden etkilenmişse (ör. terörün komşu bölgelere etkisi) sentetik yol bozulur; şüpheli donörleri haric ile çıkarıp sonucu karşılaştırın. Öngörme: müdahale tarihini öne çekerek (mudahale = 1968) öncesi pencerenin içinde yapay etki arayın (zamanda plasebo; bu şablonda yok, elle yapılabilir).
S8. Birden çok tedavi edilen birim ya da kademeli tedavi varsa?
Şablon yalnız tek tedavi edilen birimi destekler. Birden çok birim ve farklı zamanlar için Bölüm 133 kademeli_did (Callaway-Sant'Anna) uygundur; tek tedavi edilen birim ve çok az donör varsa Bölüm 104 joinpoint_its.
138.10 Kaynaklar
- Abadie, A. (2021). Using synthetic controls: Feasibility, data requirements, and methodological aspects. Journal of Economic Literature, 59(2), 391–425. https://doi.org/10.1257/jel.20191450
- Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 105(490), 493–505. https://doi.org/10.1198/jasa.2009.ap08746
- Abadie, A., Diamond, A., & Hainmueller, J. (2011). Synth: An R package for synthetic control methods in comparative case studies. Journal of Statistical Software, 42(13). https://doi.org/10.18637/jss.v042.i13
- Abadie, A., Diamond, A., & Hainmueller, J. (2015). Comparative politics and the synthetic control method. American Journal of Political Science, 59(2), 495–510. https://doi.org/10.1111/ajps.12116
- Abadie, A., & Gardeazabal, J. (2003). The economic costs of conflict: A case study of the Basque Country. American Economic Review, 93(1), 113–132. https://doi.org/10.1257/000282803321455188
- Ferman, B., & Pinto, C. (2021). Synthetic controls with imperfect pretreatment fit. Quantitative Economics, 12(4), 1197–1221. https://doi.org/10.3982/QE1596
- Firpo, S., & Possebom, V. (2018). Synthetic control method: Inference, sensitivity analysis and confidence sets. Journal of Causal Inference, 6(2), 20160026. https://doi.org/10.1515/jci-2016-0026
- Kaul, A., Klößner, S., Pfeifer, G., & Schieler, M. (2022). Standard synthetic control methods: The case of using all preintervention outcomes together with covariates. Journal of Business & Economic Statistics, 40(3), 1362–1376. https://doi.org/10.1080/07350015.2021.1930012
- Yazılım kaydı: R 4.5.3; Synth 1.1-10 (Abadie ve ark., 2011); doğrulamada quadprog.