Causal Inference: 解释合成控制法（Synthetic Control）的思路与适用场景。

Core Concept: 用多个未处理单位的加权组合构造'合成对照'，拟合处理单位处理前的轨迹；适用于单一处理单位。

合成控制法（Abadie & Gardeazabal 2003，用于评估恐怖主义对巴斯克经济的影响）解决的是<strong>'只有一个处理单位'</strong>的因果推断问题——此时 DID 无法用（需要多个处理单位来估计平行趋势的稳健性），而匹配也不可行（无相似单位）。<strong>思路</strong>：用多个<strong>未处理单位</strong>（如其他州、其他城市）的<strong>加权组合</strong>构造一个'合成对照'，权重 wⱼ 通过<strong>最小化处理前</strong>（t<T₀）合成对照与真实处理单位的结果差异来确定。处理后的效应估计为 τ̂ₜ=Y_{1t}−Σⱼwⱼ*Y_{ⱼₜ}。<strong>权重约束</strong>：wⱼ≥0 且 Σwⱼ=1（<strong>凸组合</strong>）——这保证合成对照是'真实单位的加权平均'（而非外推），避免用负权重产生不切实际的组合；权重稀疏（少数单位获得大部分权重）使解释更直观（'合成某州 = 60% A 州 + 30% B 州'）。

实践要点：① <strong>拟合质量的检验</strong>——处理前的<strong>均方预测误差（RMSPE）</strong>应很小（合成对照能很好地跟踪处理单位的历史轨迹）；若 RMSPE 大说明合成失败，结论不可信。② <strong>统计推断用安慰剂检验（Placebo Test）</strong>——对每个未处理单位<strong>轮流</strong>当作'假处理单位'做合成控制，得到一组'假效应'分布；若真实处理单位的效应在这组分布的极端（如排在前 5%），则判定显著。这是<strong>精确推断</strong>（exact inference）的思想，不依赖大样本渐近。③ <strong>稀疏性与正则化</strong>——标准方法用嵌套优化（先拟合协变量权重 v，再拟合单位权重 w）；实践中常用 <strong>岭回归/弹性网</strong> 或 <strong>SCUL 方法</strong>（处理单位数少时的稳健版本）。④ <strong>扩展</strong>——<strong>合成 DID（Synthetic DID, Arkhangelsky et al. 2021）</strong> 结合合成控制与 DID，允许<strong>多个</strong>处理单位与交错处理时间，且提供渐近推断，是目前的主流方法。⑤ <strong>适用场景</strong>——评估宏观政策（某城市试点、某州立法）、平台级变更（某产品线改版、某地区定价策略）、以及任何'单一/少数单位接受处理'且有多期面板数据的场景。⑥ <strong>局限</strong>——需要处理前<strong>足够长</strong>的时间序列、未处理单位不能受处理影响（否则被污染）、对处理前的拟合期选择敏感。