第六讲政策效应评估8.doc

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），霍桑帕尔格雷夫 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，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： （1.1） 这里是可观察属性向量。这个回归暗含了下面的假设： 从这两式可以得到： 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： 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过Mill比率（Mill ration）方法直接修正选择偏差。这也需要工具变量。我们将会讨论这些方法如何应用在参与效应中。 现在，你对可信地估计参与效应的难度有了更深的了解，你可能从一开始就预想到了这些困难。下次政策制定者要求你协助评估一个项目，需要一个随机试验。在一个随机试验里，参与是在个体间随机安排的，而且收集了参与者（treated）和未参与者(untreated)的相应产出的信息。接受参与的个体称为参与者；其他称为控制组-或简称为controls。因而，通过构建随机试验，W和方程（1.1）误差项不相关了，随机化消除了基于不可观察因素的选择问题。 就算是随机试验，人们还是要小心解释结果。可以合理的预想，补贴培训项目帮助缺乏培训的人。但是它应该对不需要培训的人不产生影响（意味着忽视了一般均衡影响）。这意味着随机试验的结果并不一定适用于其他组。这个思想即后面讲到的参与者的参与效应（treatment effect on the treated），意思是说，只考虑那些接受参与的个体组的参与效应。 这里还存在参与的自选择问题，即。尽管有资格参与却拒绝参与。在这篇文献中，这个问题表述为“主动参与”问题或自选择参与：政策制定者想要关注那些有资格但却拒绝参与的特定个体。这是我们要讨论的另一个问题。 2、符号 既然已经以一个例子引出这一课程的主要问题，就让我们介绍一些符号。我们定义文献中的平均参与效应或ATE。在最简单的情况下，ATE 简单表示为： 如前所述这里的Y1,Y0是参与和未参与的相应的产出变量，ATE是所有涉及人群的参与的平均收益。 文献也关注参与者的平均参与效应（Average treatment effect on the treated），伍德里奇标记为ATE1,我们就标