Synthetic Regressing Control

Résumé Technique : Synthetic Regressing Control (SRC)

Énoncé du Problème
La méthode de Contrôle Synthétique (SC) est une approche standard pour estimer les effets de traitement dans les données de panel comportant une seule unité traitée et un nombre modeste d'unités de contrôle. Elle construit un « contrôle synthétique » en trouvant une moyenne pondérée d'unités de contrôle qui correspond étroitement à la trajectoire pré-traitement de l'unité traitée. Cependant, l'article identifie deux lacunes critiques dans la méthodologie SC standard qui conduisent à des poids sous-optimaux et à une mauvaise extrapolation :

1. Erreur d'Interpolation : La méthode SC standard tente de faire correspondre directement les résultats bruts. Si la combinaison linéaire des unités de contrôle (contrainte à des poids non négatifs dont la somme est égale à un) ne peut pas approximer étroitement la trajectoire pré-traitement de l'unité traitée, une erreur d'interpolation significative se produit. Cela est particulièrement problématique dans le cadre de modèles à facteurs où les chargements factoriels de l'unité traitée se situent en dehors de l'enveloppe convexe des chargements des unités de contrôle.
2. Oublis liés au Bruit et aux Contraintes : La contrainte standard stipulant que les poids doivent sommer à un ($\sum w_j = 1$) est conçue pour minimiser le biais de la moyenne, mais elle néglige l'impact du bruit. L'article démontre que cette contrainte ne parvient pas à minimiser la composante de variance de l'erreur de prédiction. Plus précisément, forcer la somme des poids à être égale à 1 ne permet pas d'optimiser le compromis entre biais et variance en présence d'erreurs idiosyncrasiques, conduisant ainsi à une erreur de prédiction quadratique moyenne sous-optimale.

Méthodologie : Synthetic Regressing Control (SRC)
La méthode proposée, le Synthetic Regressing Control (SRC), traite ces problèmes via une procédure en deux étapes qui découple l'alignement des unités de la synthèse des poids.

1. Régression des Unités (Prétraitement) :
   Au lieu de faire correspondre directement les résultats bruts, le SRC effectue d'abord une régression linéaire univariée pour chaque unité de contrôle $j$ par rapport à l'unité traitée en utilisant les données pré-traitement.

   • Pour chaque unité de contrôle $j$, un coefficient $\hat{\theta}_j$ est estimé pour minimiser la distance au carré entre les résultats pré-traitement de l'unité traitée et une version mise à l'échelle des résultats de l'unité de contrôle.
   • Cela génère des « contrôles régressés » $\tilde{Y}_{jt}(0) = \hat{\theta}_j(Y_{jt} - \bar{y}_j)$, ce qui aligne efficacement les trajectoires pré-traitement des unités de contrôle avec celles de l'unité traitée, réduisant ainsi l'erreur d'interpolation.

2. Synthèse avec Estimation de Risque Non Biaisée :
   L'estimateur SRC est construit comme une moyenne pondérée de ces contrôles régressés. Les poids $w$ sont déterminés en minimisant un estimateur de risque non biaisé (spécifiquement, un critère de type Mallows' $C_p$) plutôt qu'en satisfaisant la contrainte stricte du simplexe ($\sum w_j = 1$).

   • Fonction Objectif : La méthode minimise $\| \hat{y}_1(w) - y_1 \|^2 + 2\hat{\sigma}^2 \sum w_j$, où $\hat{\sigma}^2$ est une estimation de la variance de l'erreur.
   • Contrainte : Les poids sont contraints d'être non négatifs ($w_j \ge 0$) mais sont autorisés à sommer à une constante $c$ (où $c$ est dictée par les données et liée au niveau de bruit), plutôt que de sommer strictement à 1. Cet assouplissement permet à la méthode de prendre en compte le bruit du modèle et d'éviter le « surapprentissage » de la composante de bruit qui se produit lorsqu'on force la somme à 1.
   • Extension Haute-Dimensionnelle : Lorsque le nombre d'unités de contrôle $J$ dépasse ou approche le nombre de périodes temporelles $T_0$, l'article propose une étape de sélection utilisant le Sure Independent Ranking and Screening (SIRS) pour sélectionner un sous-ensemble d'unités actives avant d'appliquer l'algorithme SRC.

Contributions Clés

• Cadre Théorique : L'article introduit un modèle de travail où le résultat potentiel de l'unité traitée est une combinaison linéaire des unités de contrôle régressées plus un terme d'erreur. Ce cadre sépare explicitement l'alignement des unités (via les coefficients de régression) de la synthèse des unités (via les poids).
• Optimalité Asymptotique : Les auteurs prouvent que l'estimateur SRC, utilisant des poids dérivés du critère de l'estimateur de risque non biaisé, est asymptotiquement optimal. Plus précisément, la perte de l'estimateur SRC converge vers la perte minimale réalisable par le meilleur estimateur synthétique « infaisable » (l'oracle) à mesure que le nombre de périodes de pré-traitement augmente.
• Traitement des Limites du SC : La méthode démontre théoriquement que l'assouplissement de la contrainte $\sum w_j = 1$ au profit d'une minimisation de risque pénalisée réduit l'impact du bruit sur l'erreur de prédiction, une limite inhérente au SC standard.
• Gestion de la Non-Linéarité et de l'Hétérogénéité : À travers des exemples impliquant des modèles factoriels linéaires, des modèles factoriels non linéaires et des modèles autorégressifs, l'article montre que la régression des unités peut identifier et dépondérer les unités de contrôle non pertinentes (par exemple, en fixant les poids à zéro dans les modèles factoriels non linéaires où les contrôles ne sont pas liés à l'unité traitée), améliorant ainsi la robustesse.

Résultats

• Études de Simulation : Des simulations de Monte Carlo approfondies basées sur des modèles factoriels (incluant des contextes avec effets temporels fixes, des chargements factoriels hétérogènes et un bruit hétéroscédastique) montrent que le SRC obtient systématiquement une erreur de prédiction quadratique moyenne plus faible que les méthodes existantes, y compris le SC original, le SC démoyé (demeaned SC), le SC augmenté, le SC généralisé et le Lasso contraint.
• Application Empirique : La méthode est appliquée aux coûts économiques des conflits dans la région basque d'Espagne. Les résultats indiquent que le SRC fournit un meilleur ajustement pour la période pré-traitement et produit des estimations de contrefactuels plus précises par rapport aux autres estimateurs.

Signification et Revendications
L'article affirme que le SRC offre une amélioration simple mais efficace par rapport à la méthode de Contrôle Synthétique standard en abordant les problèmes fondamentaux de l'erreur d'interpolation et de la sensibilité au bruit.

• Revendications Modestes sur l'Inférence : Les auteurs précisent que, bien que l'estimateur SRC atteigne l'optimalité asymptotique en termes de perte de prédiction, il ne fournit pas actuellement un estimateur non biaisé de l'effet de traitement lui-même. Ils notent que la dérivation d'un estimateur débaisé pour une inférence statistique valide (par exemple, des intervalles de confiance) utilisant la théorie de la projection est une direction prometteuse pour des travaux futurs, mais dépasse le cadre du présent article.
• Interprétabilité : La méthode conserve l'interprétabilité de l'approche SC (poids non négatifs) tout en permettant aux coefficients de régression de gérer l'échelle et l'alignement, gérant ainsi efficacement l'extrapolation sans dépendre de la contrainte restrictive de la somme des unités.
• Utilité Pratique : L'inclusion d'un mécanisme de sélection (SIRS) rend la méthode applicable aux contextes de haute dimension où le nombre d'unités de contrôle est important par rapport à la longueur de la série temporelle, un défi courant dans les applications modernes de données de panel.