Spectral Truncation in Synthetic Control

Resumen Técnico: Truncamiento Espectral en el Control Sintético

Planteamiento del Problema
Los métodos de Control Sintético (CS) estiman la trayectoria contrafactual de una unidad tratada construyendo un promedio ponderado de las unidades donantes no tratadas, de tal manera que la trayectoria ponderada de los donantes en el periodo pre-tratamiento coincida con la trayectoria bruta del pre-tratamiento de la unidad tratada. Este artículo investiga un enfoque alternativo: el Control Sintético Espectral, el cual realiza el emparejamiento no en las coordenadas temporales brutas, sino en las coordenadas de los vectores singulares temporales líderes del panel de donantes. La hipótesis motivadora es que, si el proceso de resultado sigue un modelo de efectos fijos interactivos de bajo rango, el emparejamiento en las direcciones que portan la variación sistemática podría apuntar más directamente a las cargas de los factores subyacentes. Sin embargo, el artículo postula que este enfoque introduce riesgos específicos: subdeterminación de los pesos (donde el problema de equilibrio tiene infinitas soluciones) y ruido de estimación de la base (donde los efectos fijos no eliminados contaminan la base espectral).

Metodología
Los autores proponen y analizan una familia de estimadores definidos por un parámetro de truncamiento espectral $K$ y un peso de mezcla híbrido $\eta$:

1. CS Espectral: La matriz de pre-tratamiento de los donantes se descompone mediante la Descomposición en Valores Singulares (SVD). La unidad tratada y los donantes se proyectan sobre los $K$ vectores singulares superiores ($V_K$). Los pesos se eligen para minimizar la distancia al cuadrado entre la trayectoria proyectada de la unidad tratada y las trayectorias proyectadas de los donantes ponderados, sujetos a restricciones de simplex y una penalización de Ridge.
2. Estimador Híbrido: Para evitar la brusquedad del truncamiento, un estimador híbrido asigna un peso estrictamente positivo pero contraído $\eta \in [0, 1]$ a las direcciones fuera del subespacio retenido de dimensión $K$.
   • $\eta = 0$: Recupera el CS Espectral truncado.
   • $\eta = 1$: Recupera exactamente el CS de trayectoria bruta (equivalente al emparejamiento en el espacio completo de dimensión $T_0$).
   • $\eta \in (0, 1)$: Interpola entre ambos, constriñendo todas las direcciones pero con una ponderación desigual.
3. Selección de Hiperparámetros: La penalización de Ridge ($\lambda_\omega$) y el peso de mezcla ($\eta$) se ajustan mediante una validación de placebo de dejar uno fuera (leave-one-out) solo de donantes. El rango $K$ se fija por diseño para cada régimen experimental y no se ajusta.

Contribuciones Teóricas Clave
El artículo establece tres resultados formales que rigen el comportamiento de estos estimadores:

• Equivalencia de Rango Completo: En rango completo ($K = T_0$), el objetivo espectral es matemáticamente idéntico al objetivo del CS de trayectoria bruta. La proyección preserva exactamente la discrepancia de equilibrio euclídeo.
• Subdeterminación de los Pesos: El artículo demuestra que el equilibrio espectral exacto (sin penalización de Ridge) es un sistema subdeterminado siempre que el número de donantes $N_0$ sea mayor que $K + 1$. El conjunto de soluciones forma un subespacio afín de dimensión $N_0 - K - 1$. En consecuencia, los pesos específicos seleccionados por el estimador dependen fuertemente del término de regularización en lugar de los datos, ya que los datos por sí solos no pueden determinar una solución única en las direcciones ortogonales al subespacio retenido.
• Descomposición del Sesgo y Cota: Utilizando una construcción de Mejor Predictor Lineal (BLP, por sus siglas en inglés), los autores derivan una cota de muestra finita que relaciona el sesgo del efecto de tratamiento con la calidad del equilibrio espectral. Se demuestra que el sesgo depende de:
  1. El residuo espectral alcanzado (controlado por el estimador).
  2. La norma del operador de la matriz de coeficientes del BLP ($\|A_K\|_{op}$).
  3. El residuo del BLP ($r_i$), que captura el ruido de estimación de la base (errores en la estimación del verdadero subespacio de factores) y los factores omitidos. Crucialmente, si no se eliminan los efectos fijos antes de la SVD, los vectores singulares principales pueden estar dominados por diferencias de nivel entre unidades en lugar de la estructura de factores, inflando el residuo del BLP y haciendo que la cota espectral sea ininformativa.

Resultados Empíricos
Los autores evalúan los estimadores a través de once regímenes de generación de datos diseñados específicamente para favorecer el truncamiento espectral (por ejemplo, estructuras de bajo rango, donantes dispersos, factores débiles), utilizando 400 replicaciones por régimen.

• Desempeño de Entrada Bruta: Cuando se aplica a trayectorias de pre-tratamiento brutas (sin eliminar efectos fijos), el CS Espectral Truncado rinde consistentemente por debajo del CS de trayectoria bruta ajustado. El Error Cuadrático Medio (RMSE) del CS Espectral es significativamente mayor (de 4 a 11 errores estándar) en todos los regímenes.
• Comportamiento del Estimador Híbrido: El estimador híbrido, libre de elegir cualquier $\eta$, selecciona abrumadoramente $\eta = 1$ (emparejamiento de trayectoria bruta) en la mayoría de las replicaciones en todos los regímenes. Es estadísticamente indistinguible del CS de trayectoria bruta ajustado en la mayoría de los casos.
• Sensibilidad del Preprocesamiento (Prueba de Robustez): Surge un hallazgo crítico cuando los datos son preprocesados. Cuando se eliminan los efectos fijos de unidad y tiempo (despromediado de dos vías) antes de la descomposición espectral:
  • La brecha de desempeño entre el CS Esctoral y el CS de trayectoria bruta casi desaparece.
  • El procedimiento de ajuste de placebo revierte su preferencia, seleccionando el truncamiento total ($\eta = 0$) en la mayoría de las replicaciones.
  • Esto confirma la cota teórica: la eliminación de los efectos fijos reduce el residuo del BLP, permitiendo que la base espectral aproxime mejor el verdadero subespacio de factores.

Significancia y Reivindicaciones
El artículo no pretende que los métodos espectrales reemplacen al CS de trayectoria bruta. En su lugar, presenta su trabajo como un resultado diagnóstico que identifica los mecanismos específicos que causan que el truncamiento espectral falle bajo condiciones estándar:

1. Subdeterminación: El emparejamiento de baja dimensión deja demasiada libertad para que la regularización dicte los pesos.
2. Contaminación de la Base: En los datos brutos, los efectos fijos no eliminados distorsionan la base espectral estimada, inflando el término de error en la cota del sesgo.

Los autores concluyen que los resultados negativos observados en el estudio de simulación principal son específicos de la entrada de trayectoria bruta. El artículo demuestra que cuando se cumple la condición de la cota teórica (mediante la eliminación de efectos fijos), el emparejamiento espectral puede volverse viable. El trabajo sirve para aclarar cuándo y por qué el truncamiento espectral ayuda o perjudica, en lugar de proponer un nuevo estimador universal.

Preguntas Abiertas
El artículo señala explícitamente algunas limitaciones y áreas abiertas para futuras investigaciones:

• La robustez de la reversión del preprocesamiento en los once regímenes (solo se revisó la línea base).
• La selección fundamentada del rango $K$ (actualmente fijado por diseño).
• Procedimientos de inferencia que den cuenta de la incertidumbre en la base estimada y los hiperparámetros.
• Extensiones a la adopción escalonada y múltiples unidades tratadas.