政策评价和因果关系识别：方法和应用.pptxVIP

政策评价与因果关系识别：方法与应用;一.相关性还是因果性 1.传统计量 样本：只包括受影响的处理组 识别策略：简单直接 方法：多元线性回归（OLS、IV、MLE、GMM等） 思想：控制 缺点：容易遗漏重要解释变量，导致估计有偏和不一致 结果：很容易出现伪回归，很多情况下只是相关性分析 ;2.现代计量 样本：包括受影响的处理组和不受影响的控制组 识别策略：精巧婉转 方法：政策评价（DID、PSM、treatment effect、RD等） 思想：实验和匹配 优点：有效控制遗漏变量偏差 结果：能识别出变量之间的真实因果关系 缺点：reduced form，只研究是什么，很难触及到为什么 ;二.政策评价简介 1.定义：在其他因素保持不变的情况下，受到政策干预的处理组和没有受到政策干预的参考组之间在结果上被观察到的净差异，以及它在多大程度上能归因于政策干预本身（Guo and Fraser，2009） 2.研究对象：准自然实验 3.样本：观察数据,对处理组和参考组在处理前的初始条件缺乏严格控制，存在“选择偏差”;4.分析框架：Rubin潜在因果模型 ;5.方法分类 (1) 假设个体依可观测变量选择是否参与政策，这种方法以PSM为代表； (2)假设个体依不可观测变量选择是否参与政策，这种方法包括DID、RD和treatment effect模型 (3)小结 结果方程：yi=?+ρDi+βXi+ξi 处理方程：Di=?Zi+δi ;（1）差分估计 ：如果D是完全随机的，不受变量Z影响，可以直接用OLS差分估计量估计处理方程，由于（y0i，y1i）⊥Di，所以ATE：ρ=E（y1i）-E(y0i) 如何证明D是完全随机？ （a）在处理方程中加入控制变量，处理效应ρ变化不大 （b）控制变量均值差异检不显著。(Kruger,1999);（2）PSM：满足（y0i，y1i）⊥Di|Zi, Rosenbaum and Rubin(1983)提出的可忽略性假设或者条件独立假设（CIA）。Z称为依可测变量选择，即给定Z,潜在结果y0i和y1i对处理变量D的影响可忽略，或者说潜在结果y0i和y1i独立于D，这个时候对处理方程采用logit模型估计。再估计出倾向得分值与处理组最接近的匹配组以后，同样采用差分计算平均处理效应，因而这个时候不需要估计结果方程 ;（3）DID：决定D的不可观测因素Z不随时间变化，同时此时有多期数据，对结果方程可以采用DID双差分估计。 （4）treatment effect：结果方程的残差ξ和处理方程的残差δ相互影响，对处理方程和结果方程一起采用处理效应模型估计。 （5）RD：将个体结果差异完全归因于是否接受政策影响，在Z的断点上下对政策变量D进行分类，此时也不存在明确的结果方程和处理方程。;三.具体方法介绍 1.PSM （1）基本思路：通过构造反事实分析，找到控制组中某个个体j，使其与处理组对应个体i具有最匹配的特 征，也就是在treat前z0i≈z0j。从而将yj 作为yi0 的估计量，即yi0=yj,这样yi-yj 作为个体i 处理效应的度量。 （2）步骤 A.将影响处理变量D 的控制变量z 尽可能包括进来,以保证条件独立假设尽可能成立；;B.通常采用logit 模型估计倾向得分，即给定z,个体i 成为处理组的条件概率p(zi)=P(Di=1|z=zI),估计logit 模型时为了避免遗漏变量，根据Rosenbaum and Rubin(1995) 建议可以放入z 的高次项或者交互项； C.根据倾向得分值，将与处理组特征最相近的控制组个体给匹配出来，这里主要包括k 近邻匹配、卡尺匹配、卡尺内最近邻匹配、局部线性回归匹配和样条匹配几种方法，具体匹配还有是否允许放回和并列之分。 D.检验是否满足数据平衡和共同支撑假定 ;（3）缺点： A.该方法要求比较大的样本容量获得高质量的匹配。 B.要求处理组与控制组的倾向得分有较大的共同取值范围。 C.只控制了可观测变量z 的影响，如果存在不可观测变量的影响， 仍然存在隐性偏差。D.在第一步估计倾向得分时存在不确定性，如到底是选择logit、probit 还是非参估计，具体控制变量的x 的形式如何设定，是否需要加入二次项或者交互项等;2.DID （1）要求：构造出（准）自然实验，个体分组或者处理水平完全由自然决定，也就是说并非为了实验目的而发生的外部突发事件，使得当事人仿佛是随机的被分在了处理组或者控制组， 这样政策冲击是外生 (2)原理：对处理组在政策前后一差分就得到处理效应和时间效应，而控制组由于不受政策影响，差分后只有时间效应，两者再进行差分从而得到了处理效应。可以简单表示如下：Yit=β 0+β 1du +β 2dt+β 3(du*dt) ;（3）注意事项 A.有些政策只是在