第六讲政策效应评估

1

第七讲 政策项目评估和参与效应

Marcel Fafchamps Oxford University

第一部分 问题

1、彩排 2、符号

第二部分 基于可观测因素的选择/参与的无关性

3．介绍 3.1假定 3.2 实验法

3.2.1随机实验法

3.2.2 平衡和随机化方法 3.2.3 自然实验法 3.2.4顺从性和污染性

3.2.5 双盲（double-blind），安慰剂效应（placebo effect），霍桑效应（Hawthorne effect），响应偏差（response bias） 3.2.6 内部有效性和外部有效性

4、估计

4.1 非参数法

4.2识别（identification） 4.3 回归法 4.3.1 同质效应 4.3.2 异质效应 4.4推理和假说验证

2

5、回归不连续设计 5.1参数RDD

5.2灵敏非参数RDD 5.3模糊非参数RDD

5.4 前后估计（before-after）

6、 匹配法（Matching） 6.1面板数据

6.1.1 事件研究和差异中的差分(event studies and dif-in-dif) 6.1.2扩充部分（多于两期） 6.1.3 使用dif-in-dif 推导

7.倾向得分法 方法a ：

方法b：部分出局（partialling out）

方法C 异质性效应部分出局（partialling out with heterogeneous effects）

8.倾向得分匹配 8.1 一般概念 8.2估计法的选择 8.3 共同支撑 8.4 平衡性 8.5 应用

8.6其它最近邻居匹配法 8.7 STATA命令

第三部分 工具变量法

9.方法a(标准IV)

10方法b(以倾向得分为工具) 11．方法c（异质性参与下的IV） 12.方法d（额外项的IV） 13.方法e（选择修正OLS） 14 、LATE

14.1 LATE，随机化，异质性

第四部分 非二元参与

15参与无关性

16边际匹配估计（marginal matching ） 17 工具变量法

3

第一部分 问题

参与效应的文献，关注于科学或政策问题中，二元变量W(称之为参与变量，或政策变量)对产出变量Y的因果影响。正如“参与”（treatment）这一词条暗含的含义，文献发现，它起源于医药试验评估，因此W表示执行一种新药或外科手术，Y衡量了健康的结果——如：存活或康复。

在参与效应术语和方法用于检测美国培训项目补贴的效应时，这个方法成为经济学家的关注点。从这个应用中，经济学家们认识到，简单的回归分析，虽然很有用，但是却不能尽数解决（exhaust）参与效应评估提出的问题。事实上，现在参与效应的方法已经遍布在经济学经验研究的各个领域，并且在劳动经济学和发展经济学有了强劲的发展。如果你打算在这些领域做实证研究，你绝对需要掌握好这篇文献的知识。甚至如果你不打算在这些领域工作，这篇文献也是有用的，因为参与效应的文献帮助你把经济学的因果推理问题进行分类。

在这一过程中，我们将会学习一些新的词汇和新的技巧，我们还会把以前的技巧赋予一种新的含义。Joshua Angrist 为新帕尔格雷夫（New Palgrave）编写的名为参与效应的入门材料，是一篇优秀的参与效应文献的简介。可参看Josh的个人网站。

伍德里奇的第18章，严谨、简洁介绍了评估的主要问题。它最大的优点是，它是从经济学会刊的视角来编写的，也就是说：它使用的是为经济学家熟知的词汇和表述。任何可能的情况下，我会按照伍德里奇的方法（进行编写）。不幸的是，有些问题伍德里奇没有包括。在这些情况下我尽量使用Lee的书（参看前面阅读列表）。Lee的书包含的内容更全面，而且是对伍德里奇很有用的补充。但我发现，有时候它有点啰嗦。再说，选择修正（selection correction）这种技术性问题，伍德里奇的书陈述的更好。在讨论倾向得分匹配的时候，我使用在阅读列表里的文章。

1、例子

围绕估计参与效应的问题，可能可以从一个例子开始。说政府为失业者实施补贴培训项目。政府要求你去评估：该项目在帮助失业者就业和获得更高工资方面的效果。你希望检验的假设是，接受培训的人比那些不接受培训的人处境要好。

假设你有工人的随机样本数据，其中一些人已经参与了培训。你有所有工人的工资和培训数据。形式上，Y是收益（工资）的产出，W={0,1}是参与变量，——也就是说w=1表示工人接受培训，0则相反。定义Y0是不培训的产出，Y1是培训的产出。你计算样本的估计值：

E[y1|w?1]?E[y0|w?0]

也就是说，你计算这些接受和不接受培训工人两个平均值。你发现，两者之差是负的：意味着培训的人工资更低些！难道是培训减少了工资？到底怎么回事？你怎么告诉政策制定者这个结果？

那么，一种可能是，接受培训的工人和那些不培训的工人，不是真实同类，不可比。他们可能在年龄，教育，工作经验和其他方面不相同。一种可能的解决方法就是，

4

控制样本工人的教育，年龄，性别，种族，等等，可以影响工资的属性。如果说，受教育的工人工资更高，参与培训的主要是未受教育的工人，那么，无条件平均差异

E[y1|w?1]?E[y0|w?0]应该是负的。

有两种方法可以控制可观察属性。一种方法是估计下面形式的回归：

yi?????i?Xi??ui （1.1）

这里Xi是可观察属性向量。这个回归暗含了下面的假设：

y0???X??u y1?????X??u

从这两式可以得到：

E[y1|X,??1]?E[y0|X,??0]??

系数?是参与效应的估计值。这是标准的计量经济学（econometric ）方法：加入控制变量，可以减少遗漏变量带来的偏差，例如，有些控制变量既对产出有影响，也和接受培训相关。

另一种方法是限制对比个人的选择，也即，选取具有相同属性的个体作为对照。例如，假设参与培训的都是未受教育的。我们就可以简单对比未受教育的培训者、未培训者的工资差异，而不考虑受教育的工人组。这种方法的优点是，我们不用做关于教育对产出影响的形式的任何假设（如，线性，函数形式）。这类估计法叫做匹配评估法。我们将会在这一过程中讨论一系列这类方法。

现在假设你控制可观测变量，你还是发现：

E[y1|X,??1]?E[y0|X,??0]?0

那么，你打算怎样告知政策制定者？他们应该取消这一项目？

然而，不仅仅是这样，我们之前就说过，我们应该与对比者进行对比。这些接受培训的的工人，可能是在第一阶段找工作很困难的个体，他们可能就有使他们就业能力更低的不可观测的因素——如，他们技术不好，或者他们忘记了学校里学的技术。如果这是真的，那么方程（1.1）中的误差项和培训的虚拟变量相关了：接受培训的个体如果没有培训，就应该具有更低的U，因此在不培训的情况下，他们的工资本来就比不培训的个体（受教育个体）更低。如果相关性太强，会导致估计结果为负，用?标记。在这篇文献中，这个问题就是基于不可观测因素的选择问题：培训的个体是以一种不可观测的方式被“选择的”，同时这方式与产业收益是相关的。

作为一名优秀的经济研究者，你马上想起解决这个问题的可能的方法：我们可以把W作为工具变量来消除由于没有观察的选择影响导致的遗漏变量偏差。显然，只有我们能有一个合适的工具变量，这个方法才是可行的。另一种可能的解决方法是通

5

本文来源：https://www.bwwdw.com/article/g12f.html