评估一项城市政策时，你可以找几座没推行政策的城市，按比例拼出一座走势相似的“虚拟城市”。这就是合成控制：先对齐政策前的轨迹，再把政策后的差距视作影响。麻烦在于，时间点越多、噪声越强，模型越可能连无意义的波动也一起追。Mojtaba Eslami 的做法是先用奇异值分解（SVD）找出多座城市最主要的共同走势，再做谱截断——丢掉较弱的变化方向，只在低维坐标里匹配。
直觉上，这像先滤掉杂音再对旋律。但论文最有价值的发现恰恰是：截断并不自动带来更稳的结果。在作者设置的 11 种模拟情境中，截断版的误差都显著高于经过调参的原始轨迹方法。原因之一是，保留的方向太少时，许多完全不同的城市权重都能得到同样好的匹配，数据本身无法决定该选哪组；而且这些“主要方向”也是从含噪数据里估出来的。
转折出现在预处理。作者先去掉单位和时间固定效应——可理解为每座城市长期不变的底色，以及所有城市共同经历的年份冲击——再做谱分解，截断法与原方法的差距几乎消失，验证程序也转而偏好截断。它因此更像一项诊断结果：谱截断能否去噪，关键不只在截多少，还在输入数据是否先清掉了会污染谱方向的共同成分。