Synthetic Control Method

National rule, exchange redesign या firm-specific intervention केवल one unit को affect कर सकता है। कोई single untreated unit उसके जैसा पर्याप्त नहीं हो सकता

Synthetic control कई untreated units को combine करता है, आम तौर पर nonnegative weights के साथ जिनका sum one होता है, और data-driven comparison बनाता है

यह post-event accuracy के लिए चुना forecast नहीं है। Counterfactual पूरी तरह treatment से पहले available information से design होता है

Weights चुने जाते हैं ताकि synthetic unit important predictors और खासकर intervention से पहले treated outcome path track करे

Long preperiod बता सकता है कि weighted donors level और dynamics दोनों reproduce करते हैं या नहीं। Short या unstable history कई plausible counterfactuals छोड़ती है

Attractive post-treatment gap खराब prefit को cure नहीं करता। इसका अर्थ है method ने check किए जा सकने वाले comparison को credible demonstrate नहीं किया

Donors comparable forces से governed हों, लेकिन treatment, anticipation और spillovers से untouched रहें। Structurally different units benchmark distort कर सकती हैं

Treated unit donor histories के convex hull के पास होना चाहिए। यदि वह हर donor से अधिक extreme है, तो nonnegative weights उसे अच्छी तरह reproduce नहीं कर सकते

Donors जोड़ना automatically मदद नहीं करता। Broad pool contaminated या incomparable units ला सकता है, जबकि outcome-driven exclusions cherry-picking invite करते हैं

Weights fixed होने के बाद synthetic outcomes weighted donor outcomes की तरह आगे बढ़ते हैं और gap estimated effect trace करता है

Interpretation मानती है कि उसी date पर कोई दूसरा treated-unit shock शुरू नहीं हुआ। Market reform, crisis exposure, index change या measurement break treatment जैसा दिख सकता है

Anticipatory behavior effective date पहले ला सकता है और spillovers donor outcomes move कर सकते हैं। दोनों contrast को contaminate करते हैं

In-space placebos हर donor को treatment देकर उसके gap को treated unit के gap से compare करते हैं। In-time placebos उन dates को test करते हैं जहाँ intervention नहीं हुआ

Gap size को pretreatment error के relative judge करें। Large post/pre RMSPE ratio उस unit के raw gap से अधिक informative है जिसका fit कभी अच्छा नहीं था

ये rankings ordinary randomized p-values नहीं हैं जब तक assignment mechanism ऐसी reading justify न करे। वे donor set में treated pattern की unusualness दिखाते हैं

Leave-one-out analysis influential positive-weight donors हटाती है। Alternative predictor windows और donor rules दिखाते हैं कि result एक modeling choice का परिणाम है या नहीं

Weights और preperiod errors plot करें, केवल final gap नहीं। Almost entirely one donor पर टिका synthetic unit विशेष scrutiny मांगता है

Augmented या generalized variants fit limitations relax कर सकते हैं, लेकिन नई modeling assumptions लाते हैं। Sophisticated extension poor design को rescue नहीं करती

एक exchange को affect करने वाले rule को unexposed exchanges के weighted blend से compare किया जा सकता है, जिसने पहले turnover, spreads और volatility track किए हों

Country-level capital controls या firm governance intervention भी qualify कर सकते हैं, यदि donor pool stable हो और global shocks comparable तरीके से affect करें

Conclusion उस unit और event के लिए local है। यह दूसरे market, policy intensity या economic regime पर automatically generalize नहीं होता

Outcomes दिखाने से पहले donor eligibility, सभी nonzero weights, predictor balance, पूरा pre/post path और numerical prefit measures report करें

Placebo gaps, post/pre fit ratios, leave-one-out results, alternative windows और concurrent events तथा possible spillovers की timeline जोड़ें

जब prefit weak हो या treated unit donor support से बाहर हो, honest result यह हो सकता है कि design persuasive effect estimate नहीं कर सकता