一座城市推行新政策后，想知道政策有没有用，最难的不是看它后来变好了多少，而是回答：如果当初没有推行，它本来会怎样？
合成控制法（Synthetic Control Method，SCM）常用一种拼图办法：从没有实施政策的城市里挑出若干个，按权重拼成一座“合成城市”。但这里藏着一个容易被低估的问题。候选城市选错了，后面的计算再精细，也可能只是在认真拼一幅错误的图。
Seul Lee、Johan Lim、Joungyoun Kim 和 Xinlei Wang 的这篇 arXiv 论文，试图把这道选择题直接放进贝叶斯推断：模型不再预先认定哪些城市有资格参与，而是同时估计“选谁”和“各占多少权重”。以下效果与结论均来自这一篇论文，尚无独立信源交叉验证。
捐赠池不是越大越保险
SCM 把可供选择的未受干预单位称为“捐赠池”（donor pool）。比如要估计某国政策对 GDP 的影响，捐赠池可以包括其他没有实施该政策的国家。
直觉上，候选者越多，似乎越容易找到合适组合。问题在于，其中可能混入走势机制明显不同、与研究对象关系很弱的单位。它们不但未必提供信息，还可能让模型过度贴合干预前的数据，进而扭曲干预后的反事实轨迹。
已有一些方法会先筛选或聚类，再估计权重。例如 fPCA-SYNTH 先压缩各单位的时间轨迹，再用聚类选出与研究对象相近的捐赠者；ClusterSC 则依据低秩的时间结构分组。这些都是“两步走”：先决定谁能入场，再计算如何加权。选择环节一旦出错，误差会传到下一步，而且最终推断通常不会完整反映这种选择的不确定性。
让模型同时决定“谁入场、占多少”
论文提出的模型名为 Bayesian Adaptive Synthetic Control（BASC）。它为每个候选捐赠者设置一个 Bernoulli inclusion indicator——可以理解为一枚取值为“入选”或“排除”的概率开关；同时用 Gamma 随机变量表示入选者的相对贡献。最后，模型把入选者的贡献归一化为正式权重。
这套 hierarchical Gamma–Bernoulli construction（分层 Gamma–Bernoulli 构造）的关键，是把两个问题绑在同一个后验分布里：哪些捐赠者真正活跃，以及它们分别承担多大权重。贝叶斯后验可以简单理解为：先对未知量表达初始判断，再让数据更新这些判断后得到的概率分布。
被排除者的权重会精确等于零，而不是一个“很小但仍算入场”的数字。入选者的权重则继续遵守标准 SCM 的单纯形约束（simplex constraint）：所有权重非负，且总和为 1。说白了，模型只能在捐赠者之间做加权平均，不能靠一正一负的权重相互抵消来向样本之外外推。
几何上，所有候选者都入选时，权重位于完整的单纯形上；排除一部分候选者后，权重会落在它的低维“面”上。普通的全单纯形 Dirichlet prior 可以让某个权重无限接近零，却不会产生精确的零。BASC 则能把后验概率直接分配给不同的面，因此把“这个捐赠者是否存在于模型中”变成明确的推断对象。
模型还加入 Gaussian process（高斯过程），用于吸收捐赠者加权组合未能解释的平滑时间变化；干预后的影响则通过预先设定的基函数表示，可以设成固定变化、线性变化或更灵活的平滑变化。论文使用 MCMC（Markov chain Monte Carlo，靠反复抽样近似复杂后验分布）完成计算，并从后验样本生成反事实预测及 95% credible interval，即在模型设定下反事实轨迹的可信区间。
模拟里，挑对人确实影响很大
论文设置了两类模拟数据，并改变候选捐赠池与真实捐赠者集合的大小。总时间长度为 80，干预发生在第 50 期；候选池规模为 10 或 30，真实有效捐赠者则可能只有 3 个、9 个，也可能全部有效。作者把 BASC 与不选择捐赠者的 Bayesian SCM（B-MV），以及 fPCA-SYNTH、ClusterSC 两种两阶段方法比较。
在一个候选池有 10 个单位、真正相关者只有 3 个的非均衡设定中，BASC 的干预后预测 RMSE（均方根误差，越低越好）为 1.958；B-MV 为 2.434，fPCA-SYNTH 为 7.813，ClusterSC 为 6.959。BASC 对真实捐赠者的 TPR（真正例率，即该选的人有多少被选中）为 0.999，TNR（真负例率，即该排除的人有多少被排除）为 0.920，总体选择准确率为 0.944。
候选池扩大到 30、真实相关者仍只有 3 个时，非均衡设定下 BASC 的干预后 RMSE 为 2.049，B-MV 为 3.604；在对应的均衡设定中，两者分别为 1.233 和 2.355。这些结果支持论文的核心判断：当捐赠池夹杂无关或弱相关单位时，把选择与权重估计放在一起，可能减少错误候选者带来的干扰。
模型也没有在“所有候选者都有效”时明显失去竞争力。以 10 个候选者全部有效的非均衡设定为例，BASC 的干预后 RMSE 为 1.896，B-MV 为 1.857；候选者增至 30 个且全部有效时，两者分别为 1.965 和 2.172。这里更合适的说法是表现相近，而不是 BASC 在所有场景都更好。
真正值得关注的是选择不确定性
这项工作的意义不只在于自动删掉几个候选者。更重要的是，它改变了推断的边界：过去，研究者常在模型之外决定捐赠池，再把这个决定当成既定事实；BASC 则承认“谁适合当对照”本身也不确定，并让这种不确定性进入后验推断。
论文还证明了一项 posterior donor-set consistency result：在简化的干预前模型及给定假设下，随着干预前观测期增加，后验概率会集中到真实的活跃捐赠者集合。作者另以 West Germany 的 GDP trajectory 展示模型应用。不过，这个案例主要说明方法如何落地，不能单独证明它在真实政策评估中普遍更准确。
局限与未知
- 理论一致性只在排除了高斯过程和干预效应项的简化干预前模型下成立，不能直接外推到一般 SCM 场景。
- 模拟由论文作者自行设计。文中的优势尚缺少独立复现，而且在部分设定中 BASC 并非每项指标都最好。
- “精确零权重”是模型构造允许的性质，不等于它面对任何数据都能正确认出该排除的捐赠者。模型仍可能漏选或误选，30 个候选者、9 个真实捐赠者的两种设定中，论文也报告了 BASC 的 TNR 和总体准确率低于两阶段方法。