Spectral Truncation in Synthetic Control

Sintesi Tecnica: Troncamento Spettrale nel Controllo Sintetico

Definizione del Problema
I metodi di Controllo Sintetico (SC) stimano la traiettoria controfattuale di un'unità trattata costruendo una media ponderata delle traiettorie non trattate dei donatori, in modo che il percorso pre-trattamento ponderato dei donatori corrisponda al percorso pre-trattamento grezzo dell'unità trattata. Questo articolo investiga un approccio alternativo: il Controllo Sintetico Spettrale, che esegue l'appaiamento non nelle coordinate temporali grezze, ma nelle coordinate dei principali vettori singolari temporali del panel dei donatori. L'ipotesi motivante è che, se il processo di esito segue un modello a effetti fissi interattivi a basso rango, l'appaiamento nelle direzioni che portano la variazione sistematica possa mirare più direttamente ai carichi fattoriali sottostanti. Tuttavia, l'articolo sostiene che questo approccio introduce rischi specifici: sottodeterminazione dei pesi (dove il problema del bilanciamento ha infiniti soluzioni) e rumore di stima della base (dove gli effetti fissi non rimossi contaminano la base spettrale).

Metodologia
Gli autori propongono e analizzano una famiglia di stimatori definiti da un parametro di troncamento spettrale $K$ e un peso di miscelazione ibrido $\eta$:

1. SC Spettrale: La matrice pre-trattamento dei donatori viene decomposta tramite Decomposizione ai Valori Singolari (SVD). L'unità trattata e i donatori vengono proiettati sui primi $K$ vettori singolari ($V_K$). I pesi sono scelti per minimizzare la distanza quadratica tra il percorso proiettato dell'unità trattata e i percorsi proiettati ponderati dei donatori, soggetti a vincoli di simplex e a una penalità ridge.
2. Stimatore Ibrido: Per evitare l'abruptness del troncamento, un estimatore ibrido assegna un peso $\eta \in [0, 1]$ strettamente positivo ma ridotto alle direzioni al di fuori dello spazio sottostante $K$-dimensionale.
   • $\eta = 0$: Recupera il SC Spettrale troncato.
   • $\eta = 1$: Recupera esattamente il SC del percorso grezzo (equivalente all'appaiamento nello spazio completo di dimensione $T_0$).
   • $\eta \in (0, 1)$: Interpola tra i due, vincolando tutte le direzioni ma con pesatura diseguale.
3. Selezione degli Iperparametri: La penalità ridge ($\lambda_\omega$) e il peso di miscelazione ($\eta$) sono sintonizzati tramite validazione placebo leave-one-out solo per i donatori. Il rango $K$ è fissato per design per ogni regime sperimentale e non viene sintonizzato.

Contributi Teorici Chiave
L'articolo stabilisce tre risultati formali che governano il comportamento di questi stimatori:

• Equivalenza a Rango Pieno: Al rango pieno ($K = T_0$), l'obiettivo spettrale è matematicamente identico all'obiettivo del percorso grezzo del SC. La proiezione preserva esattamente la discrepanza di bilanciamento euclideo.
• Sottodeterminazione dei Pesi: L'articolo dimostra che l'esatto bilanciamento spettrale (senza penalità ridge) è un sistema sottodeterminato ogni volta che il numero di donatori $N_0$ eccede $K + 1$. L'insieme delle soluzioni forma un sottospazio affine di dimensione $N_0 - K - 1$. Di conseguenza, i pesi specifici selezionati dallo stimatore dipendono fortemente dal termine di regolarizzazione piuttosto che dai dati, poiché i dati da soli non possono determinare una soluzione unica nelle direzioni ortogonali allo spazio sottostante trattenuto.
• Decomposizione del Bias e Limite: Utilizzando una costruzione di Miglior Predittore Lineare (BLP), gli autori derivano un limite a campione finito che mette in relazione il bias dell'effetto del trattamento con la qualità del bilanciamento spettrale. Si dimostra che il bias dipende da:
  1. Il residuo spettrale ottenuto (controllato dallo stimatore).
  2. La norma dell'operatore della matrice dei coefficienti BLP ($\|A_K\|_{op}$).
  3. Il residuo BLP ($r_i$), che cattura il rumore di stima della base (errori nella stima del vero sottospazio fattoriale) e i fattori omessi. Fondamentalmente, se gli effetti fissi non vengono rimossi prima della SVD, i vettori singolari principali possono essere dominati dalle differenze di livello tra le unità piuttosto che dalla struttura fattoriale, gonfiando il residuo BLP e rendendo il limite spettrale privo di informazione.

Risultati Empirici
Gli autori valutano gli stimatori attraverso undici regimi di generazione dei dati progettati specificamente per favorire il troncamento spettrale (es. strutture a basso rango, donatori sparsi, fattori deboli), utilizzando 400 replicazioni per regime.

• Performance su Input Grezzi: Quando applicato ai percorsi pre-trattamento grezzi (senza rimuovere gli effetti fissi), il SC Spettrale Troncato sottoperforma costantemente rispetto al SC del percorso grezzo sintonizzato. L'errore quadratico medio (RMSE) del SC Spettrale è significativamente più alto (da 4 a 11 errori standard) in tutti i regimi.
• Comportamento dello Stimatore Ibrido: Lo stimatore ibrido, libero di scegliere qualsiasi $\eta$, seleziona prevalentemente $\eta = 1$ (appaiamento del percorso grezzo) nella maggior parte delle replicazioni in tutti i regimi. È statisticamente indistinguibile dal SC del percorso grezzo sintonizzato nella maggior parte dei casi.
• Sensibilità del Preprocessing (Test di Robustezza): Emerge un risultato critico quando i dati vengono pre-elaborati. Quando gli effetti fissi di unità e tempo vengono rimossi (de-meaning a due vie) prima della decomposizione spettrale:
  • Il divario di performance tra il SC Spettrale e il SC del percorso grezzo quasi svanisce.
  • La procedura di sintonizzazione placebo inverte la sua preferenza, selezionando il troncamento completo ($\eta = 0$) in una maggioranza di replicazioni.
  • Ciò conferma il limite teorico: la rimozione degli effetti fissi riduce il residuo BLP, permettendo alla base spettrale di approssimare meglio il vero sottospazio fattoriale.

Significatività e Rivendicazioni
L'articolo non sostiene che i metodi spettrali debbano sostituire il SC del percorso grezzo. Al contrario, lo inquadra come un risultato diagnostico che identifica i meccanismi specifici che causano il fallimento del troncamento spettrale nelle condizioni standard:

1. Sottodeterminazione: Il bilanciamento a basso rango lascia troppa libertà alla regolarizzazione per dettare i pesi.
2. Contaminazione della Base: Nei dati grezzi, gli effetti fissi non rimossi distorcono la base spettrale stimata, gonfiando il termine di errore nel limite del bias.

Gli autori concludono che i risultati negativi osservati nello studio di simulazione principale sono specifici dell'input del percorso grezzo. L'articolo dimostra che quando la condizione del limite teorico è soddisfatta (rimuovendo gli effetti fissi), l'appaiamento spettrale può diventare praticabile. Il lavoro serve a chiarire quando e perché il troncamento spettrale aiuti o danneggi, piuttosto che proporre un nuovo stimatore universale.

Domande Aperte
L'articolo nota esplicitamente alcune limitazioni e aree aperte per la ricerca futura:

• La robustezza della reversione del preprocessing in tutti gli undici regimi (è stato controllato solo il baseline).
• La selezione principata del rango $K$ (attualmente fissato per design).
• Procedure di inferenza che tengano conto dell'incertezza nella base stimata e negli iperparametri.
• Estensioni all'adozione scalata (staggered adoption) e a molteplici unità trattate.