输入关键词开始搜索 (Skills / Library / News)
Arkhangelsky 等 2021 AER 提出的 SDID：把 SC 单元权重与 DiD 时间权重组合。California 数据上 ATT $= -15.60$，95% CI $[-34.41, 3.21]$ 含 0，解析为何 CI 宽是推断保守而非零效应信号。
Athey et al. 2021 JASA 提出的 MC-NNM：把面板反事实当成缺失值补全问题。California 数据上 ATT $= -25.91$，95% CI $[-30.82, -20.99]$ 不含 0；event-study 图验证 pre-trend 平行。
California 数据是单 treated unit，本章说明 SC 类方法如何扩展到多 treated unit + 交错时点。用 fect 包 turnout 数据（48 州 staggered EDR）演示 ife/mc 两种方法，并说明 California 数据为何不适用 staggered 方法。
把 Abadie 2010 完整预测器配置作为基线，在 California 数据上跑四种预测器配置，ATT 从 $-17.48$ 到 $-30.65$。解释预测器选择对 SC 估计的影响，以及为何预测器配置必须 pre-specified。
1996 年 Connors 论文带来的争议、右心导管观察数据的结构、适应证混杂的表现、朴素关联为什么不能当作因果效应。
用一个标量压缩高维匹配问题。在 RHC 数据上跑 PSM、IPW、重叠权重三种使用方式，用 SMD 和 Love plot 做平衡诊断，更新累积对比表。
结果模型与处理模型互相兜底，只要一个对，估计就一致。手动实现 AIPW，理解三部分的协作与双重稳健性背后的乘积偏差。
用机器学习替换 AIPW 的两个子模型，理解 Super Learner 的集成思想、DML 的 Neyman 正交化、TMLE 的目标化更新，在 RHC 数据上跑 DML 与 TMLE 并加入累积对比表。
用 E-value 和 sensemakr 量化未测量混杂需要多强才能推翻 RHC 结论，强调敏感性分析必须搭配领域知识。
用 grf 包估计 5735 名 ICU 患者的 CATE，理解诚实分裂与双重稳健评分，通过变量重要性和亚组分析识别 RHC 的受害人群。
用森林图汇总八种 RD 方法的点估计与 95% CI，理解跨方法收敛与分歧的统计学原因，结合敏感性分析给出 RHC 因果效应的最终判断。
STAR 实验背景、学生—班级—学校三层嵌套结构、班级类型与考试分数的朴素均值对比，以及为什么把学生当独立观测会高估小班效应的把握度。
13 项 BCG 试验装成 13 张 2x2 表，每张表算一个 RR，13 项 RR 跨度从 0.20 到 1.56；朴素合并 RR=0.61 被一项大研究主导，靠不住。
贯穿全书的 California Prop 99 数据集结构、研究争议点、朴素 DiD 估计 −27.35 包/人/年，以及为什么朴素 DiD 不够回答因果问题。
Abadie 经典 SC 的核心结构：donor 加权 + 凸壳约束。California 数据上跑出 ATT −18.85 包/人/年，对比第 1 章 DiD −27.35 的差额来源。
Abadie 两类 placebo：空间反置（把 donor 当 fake 处理州）与时间反置（把 treatment 年提前到 1980）。给出 in-time placebo 假 ATT $-4.75$ 作为内部有效性证据。
Abadie 2010 的 RMSPE 比值 + pre-MSPE 过滤推断流程。tidysynth 给 p = 0.38 vs Abadie 原文 0.026，差异是 SC 推断的不变性问题，不是代码错误。
Xu 2017 提出的 GSC：把潜在 factor model 与 SC 合并。California 数据上 r=0/1/2 ATT 从 $-27.35$ 降到 $-0.40$，展示单 treated unit 下 CV 选 factor 数的失效。