政策效應評估的四種方法

利用非實驗數據進行微觀政策效應評估

1． 工具變數法

標準的計量經濟學提供了一種處理內生性問題的方法———IV 法。

Ehrlich( 1975，1977 ) 運用時間 序列數據和截面數據就美國執行死刑對降低謀殺 率的影響進行的研究具有典型性。Ehrlich認識到 謀殺率與死刑執行率之間的雙向因果關係，並試圖 應用IV來解決其內生解釋變數和遺漏解釋變數的問題。他選擇了此項政策支出的滯後量、總的政府 支出、人口、非白人比例等變數作為IV，但並沒有解 釋為什麼這些變數是好的 IV，所選出的這些 IV 與 內生的解釋變數之間又具有怎樣的關 聯。 直 至 Ehrlich( 1987，1996) 的研究出版，其選擇 IV 的考慮 及相關的因果識別問題才得到詳細的闡述。Angrist ( 1990) 和 Angrist 等( 1991 ) 分別用 IV 研究了參加 越戰對老兵收入的影響和教育背景對收入的影響， 從而充分顯現了運用 IV 進行因果推斷的價 值。 Card 等( 1992a，1992b) 將學生的出生州與出生隊列 作為 IV，研究了教育投入對教育質量的影響，從而 使得教育產出、教育質量領域的研究出現了重大轉 折。Bound 等( 1995) 指出了 Angrist 等． ( 1991) 研究 中存在的弱工具變數的問題，從而將 IV 的效率問題 以及 IV 的選取準則引入研究。此後，有關 IV 研究 的理論問題都主要集中在如何尋找最優的工具變數上。

工具變數法是一個相對簡單的估計方法，但是有兩個重要的缺陷:

( 1 ) 工具變數的選擇問題。在 政策評估問題中，要找出滿足條件的工具變數並不 容易。在實踐中，尤其是當縱向數據和政策實施前 的數據可以獲得時，研究者多使用因變數的滯後變 量作為工具變數。但是，這同樣會引發相關性，並 不能從根本上解決問題。

( 2 ) 如果個體對於政策的反應不同，只有當個體對政策反應的異質性並不影 響參與決策時，工具變數才能識別 ATT、ATE。但這 是一個很強的假定，有 時研究者不得不假定非理性，或 者忽略研究對象的異質性 ( Heckman， 1997) 。

2． 斷點回歸

RD是一種類似於隨機受控實驗的准實驗法。

它的主要思想是: 當個體的某一關鍵變數的值大於臨界值時，個體接受政策干預; 反之，則不接受 政策干預。一般而言，個體在接受干預的情況下， 無法觀測到其沒有接受干預的情況。而在 RD中，小於臨界值的個體可以作為一個很好的控制組來 反映個體沒有接受干預時的情況，尤其是在變數連 續的情況下，臨界值附近樣本的差別可以很好地反 映干預和結果變數之間的因果聯繫，進 而計算出 ATE、ATT 等政策效應變數。

RD 最早 是 由 美 國西北大學的心理學家 Campbell 於 1958 年首先發展設計出來的，但一直沒 有得到廣泛的應用。Hahn 等( 2001) 為斷點回歸的 模型識別和模型估計進行了嚴格意義上的理論證 明，並提出了相應的估計方法。自此之後，RD 在經 濟學上的應用才開始盛行。到目前為止，對這一方 法的研究成果還主要集中在勞動經濟學領域。國內學者運用 RD 進行分析的研究還比較少見，余靜文等( 2010a) 研究了城市圈所產生的集聚效應、輻射效應，考察了其對地區收入差距的影響; 余靜文 等( 2010b) 還使用該方法考察了城市圈對區域經濟 績效的影響，發現城市圈產生的輻射效應和政府治 理結構轉變所帶來的效應會促進城市圈區域的經 濟發展。

RD是一種類似於隨機實驗的方法，也是准實驗方法中最具有可信性的方法。Lee( 2008 ) 認為在 隨機實驗不可得的情況下，斷點回歸能夠避免參數 估計的內生性問題，從而真實反映出變數之間的因 果關係。RD 方法應用的關鍵假設是要求在斷點附 近的個體的特徵相同，這一假設可以通過統計分析 得到檢驗。由此可見，RD 的吸引力不僅在於它的 實驗性，還在於它的因果推斷可以方便地得到檢驗。

3． 雙重差分

近年來，DID在政策評估研究得到了廣泛應用。 DID 處理選擇偏差的基本思想是: 允許存在不可觀 測因素的影響，但假定它們是不隨時間變化的。

假定不可觀測因素 Uit 可分解為 Uit = φi + θt + μit ，其 中 φi 是個體固定效應，不隨時間變化; θt 是個體所 處的共同的環境帶來的效應，對於所有個體而言都 相同; μit 是個體時點效應。DID 假定實驗組和控制 組在研究的區間內具有相同的個體時點效應，也就 是說 μit 相同，因此通過對截面單位在項目實施前後 的結果取差值，就能排除 φi 、θt 的影響。反之，若在政 策實施條件下，個體時點效應 μit 不相同，則 DID 就 不再是一致估計量。

應用 DID 評估政策效應的基本步驟是利用面 板數據建立雙固定效應模型並估計參數:

Yit = β0 + β1Tit + β2Ait + β3Tit Ait + εit

其中，Tit = 1 表示實驗組對象，反之則表示控 制組對象; Ait = 1 表示政策實施後的區段，反之亦 然; Tit Ait 是交叉項，其係數 β3 表示實驗組對象在接 受政策後結果變數的變動程度，反映了政策變動的 效應，是目標變數。參數 β1 表示沒有政策干預時，實 驗組與控制組的經濟行為如何隨時間變動，而參數 β2 則反映實驗組和控制組中任何不隨時間變動的 差異。應用 DID 評估政策效應的一個關鍵假設是: 當不存在政策干預時，β3 = 0 ，這一假設只有在實 驗組與控制組性質非常接近時才是合理的。表 1 概 括了 DID 方法的基本原理。

Heckman等( 1985，1986) 最早提出使用 DID 方法對社會公共政策的實施效應進行評估，此 後對 DID 方法的研究和應用成果層出不窮，典 型的有: Card 等( 1990，1994 ) 對移民政策、最低工資制度對 工資和就業的影響進行了研究; Puhani( 2000 ) 對波 蘭 1991 年實施的失業救濟政策改革對失業持續期 的影響進行了評估; Stewart ( 2004 ) 對英國 1999— 2001 年引入的最低工資制度對就業的影響進行了評估;

Donohue 等( 2005 ) 發現美國與加拿大的謀殺 率之間具有相同的變化趨勢，從而以取消死刑的加 拿大作為控制組，評估了美國恢復死刑制度對降低謀殺率的影響，結果表明美國執行的死刑政策並未 對社會謀殺發生率起到遏製作用; Chen 等( 2008) 使 用中國 2000 個家庭的數據對世界銀行發展項目的 效應進行了評估。

國內學者近年來也開始運用 DID 方法對政策 效應進行評估，主要的研究有: 周黎安等( 2005 ) 就 農村稅費改革對農民收入增長所產生的影響進行 了評估; 朱寧寧等( 2008 ) 對我國建築節能政策的實 施效應進行了評估; 黃清( 2009 ) 對 2002—2005 年 電力行業放鬆規制的政策效應進行了實證檢驗和 研究; 劉生龍等( 2009) 評估了西部大開發對於西部 地區經濟增長及中國區域經濟收斂的作用; 聶輝華 等 ( 2009 ) 使用全國層面的企業數 據，胥 佚 萱 等 ( 2011) 使用上市公司數據分別對 2004 年開始在東 北地區實行的增值稅轉型政策的影響進行了研究; 俞紅海等( 2010) 基於上市公司數據，對股權分置改 革的有效性進行了實證分析; 李楠等( 2010 ) 利用中 國工業行業數據，對 國有企業改革的績效進行了評估。

DID 方法允許不可觀測因素的存在，而且允許 不可觀測因素對個體是否接受干預的決策產生影 響，從而放鬆了政策評估的條件，使得政策評估的 應用更接近於經濟現實，因而應用更廣。但是，研究者在應用中也應該充分認識到 DID 方 法 的 局 限性:

( 1) 數據要求更加苛刻。DID 方法以面板數據 模型為基礎，不僅需要橫截面單位的數據，還需要 研究個體的時間序列數據，特別是政策實施前的數 據。因此，相 比於 Matching，DID 方法要求更多的 數據。

( 2) 個體時點效應 μit 未得到控制。DID 要求很 強的識別假設，它要求在政策未實施時，實驗組和 控制組的結果變數隨時間變化的路徑平行，這一假 設並沒有考慮個體時點效應 μit 的影響。由於 μit 的 影響，在項目實施前後，實驗組和和控制組個體行 為的結果變數並不平行，此時應用傳統的 DID 方法 就會出現系統性誤差。

( 3) 未考慮個體所處的環境對個體的不同影響。

DID 方法假定環境因素的衝擊對處於相同環境 中的個體會產生相同的影響，即 θt 對所有個體都相 同。但實際中，實驗組和控制組個體可能因為某些 不可觀測因素的影響，使得其在面臨相同的環境因 素的衝擊時做出不同的反應，此時 DID 的應用就會出現問題。

針對以上問題，國外學者在使用DID的過程 中，逐步對其進行了擴展，擴展的方向主要有兩個: 一是考慮 DID 中未控制的因素，從而進一步放鬆其 應用條件; 二是將 DID 與 Matching 等其他政策評估 方法結 合 起 來，提出新的估計 量。 比 如: Bell 等 ( 1999) 考慮了個體所處的環境對個體的不同影響， 提出了經趨勢調整的估計量; Heckman 等( 1997 ) 提 出了「條 件 DID」這一新的估計量 ( conditional DID estimator) ，將 Matching 與 DID 方法結合起來應用， 不僅能大大降低選擇偏差，且結果更為可信。但不 容忽視 的 是，條 件 DID 仍 要 滿 足「共 同 支 撐 域」 假定。

4．傾向匹配方法

匹配是一種非實驗方法，是 對於一些沒 有 采 用或不方便採用實驗方法區分實驗組和控制組的 數據采 用 的 一 種 近似實驗的方法。 匹 配 方 法 假 定，控制協變數之後，具有相同特徵的個體對政策 具有相同的反應。換句話說，不可觀測因素不影 響個體是否接受政策干預的決策，選 擇僅僅發生 在可觀測變數上。因此，對 每一個實驗組個體而 言，可以根 據可觀測特徵為其選擇一個控制組個體構成反事實。

在實證分析中，根據選擇控制組時匹配方法的不 同，Matching 又 可 分 為 協 變 量 匹 配 ( covariant Matching，CVM) 和傾向得分匹配 ( propensity score matching，PSM) 等。其中，CVM 涉及多個協變數，會 導致「維度災難」、計算過於複雜等問題。Rosenbuam 等( 1983) 指出，如 果協變數能使得條件獨立假設 ( conditional independence assumption，CIA) 成立，那 么傾向得分( propensity score，PS) 作為協變數的一個函數，當然也能使得 CIA 成立。通過將協變數中蘊含 的信息轉移至 PS 中，PSM 可以克服 CVM 的劣勢，成 功降維，從而在實踐中應用更多。

Rusenbaum 等( 1983 ) 提出的利用 PSM 來消除 混雜因素所引起的偏差，在提出之初並沒有受到很 大關注，但是近些年被廣泛應用於醫藥、經濟、政策 評估等領域，成為政策效應評價中最常用的方法。 Perkins 等( 2000) 討論了此方法在流行病藥效學上 的應用，Gilligan 等( 2007 ) 對在衣索比亞農村實 施的應急食品救援政策的效應進行了評估，Sandra 等( 2009) 對法國的一項再就業培訓項目的效應進 行了評估。國內學者近年來也開始運用 PSM 方法 對 社會公共政策的效應進行評 估。 陳 玉 萍 等 ( 2010) 運用 PSM 方法研究了滇西南山區改良陸稻 技術的採用對農戶收入的影響，解決了應用傳統方 法分析農業技術效應時，因農戶技術採用存在的自 我選擇而帶來的因果乾涉問題; 李佳路( 2010 ) 運用 PSM 方法，采 用 S 省 30 個國家開發重點縣2009 年的農村貧困監測數據，對扶貧項目的減貧效 應進行了評估。

PSM 作為非參數方法，不需要對可觀測因素的 條件均值函數和不可觀測因素的概率分布進行假 設，因而相比參數方法具有優勢。但是，PSM 也有 局限性，主要表現為以下幾點:

( 1) 極強的前提假設。PSM 的應用必須滿足 CIA 和共同支撐域假定，這兩個假定合起來稱為「強 可忽略性」假設。一旦違背這一假定，ATE 和 ATT 就會出現偏誤。Heckman 等( 1997 ) 通過假設檢驗 表明當「強可忽略性」假定不滿足時，不宜應用 PSM 的方法對政策效應進行評估; Heckman( 2008 ) 通過 理論分析認為當存在未觀測到的混雜因素時，PSM 方法不僅不能消除系統誤差，反而會帶來新的偏 差; 劉鳳芹等( 2009) 運用蒙特卡羅模擬實驗的結果 也表明 PSM 對強可忽略性假設非常敏感，即使是輕 度的 違 背，PSM 的 估 計 結 果 偏 差 也 超 過 50% ; Kannika 等( 2010) 運用實際數據，對比參數方法與 PSM 方法的結果，進一步驗證了 PSM 的應用需要滿 足「強可忽略性」假定。

( 2) 不能為所有的實驗組個體找到控制組個 體。匹配方法僅能為處在共同支撐域上的個體找到合適的對照個體。如果對於不同個體而言，處 置效應是同質的，那麼共同支撐域的假 定不會對 政策效應的大小造成影響; 反之，如果處置效應是 不同質的，共同支撐域的假定使得某些 實驗組個 體很難找到「反 事實」，處置效應無法識別。換 句 話說，如果匹配過程損失了大量的觀察值，處置效 應的估 計量就僅在共同支撐域上具有 一 致 性 特 征。在異質性響應中，如果實驗組個體的處置效應 差別很大，估 計出的 ATT 就不能代表政策的平均 回報。

( 3) 數據量要求極大。Matching 方法往往應用 於截面數據，為了保證條件獨立假設成立，需要盡 可能多地搜集協變數信息，將混雜因素分離出來。 同時，為了保證能找到與實驗組個體特徵最為接近 的控制組，研究者也需要收集大量的個體數據，以 保證結果的精度。

( 4) 結果的穩健性受到多種挑戰。PSM 方法計 算得到的 ATE 或 ATT 的穩健性受到多種因素的影 響，如干預分配機制方程的設定、匹配演算法的選擇 等。劉鳳芹等( 2009 ) 運用蒙特卡羅模擬實驗的結 果表明，PSM 對誤差項分布不敏感，對隱指標方程 的誤設極為敏感; 在共同支撐域較小時，PSM 對具 體匹配方法的選擇極其敏感。

綜上所述，Matching 的應用必須滿足很強的假 設前提，並且要具有相當的數據量。如果研究者認 為無法驗證強可忽略性假定，手頭的數據樣本又不 夠大，就必須選用其他的政策評估方法，如 DID 和 樣本選擇模型等，它們都明確允許有未被觀測到的 混雜因素的存在。

參考文獻：

【1】.」Mostly Harmless Econometrics: An Empiricist.s Companion「Joshua D. Angrist

【2】HECKMANJJ．2008．Econometriccausality［J］．InternationalStatisticalReview，52:1-27．

【3】HECKANJ J，H I． 1997． Matching as an EconometricEvaluation Estimator: Evidence from Evaluating a JobTrainingProgramme［J］．TheReview of EconomicStudies，70:605-654．

【4】HECKMANJJ，ROBBR．1985．AlternativeMethodsfor EvaluatingtheImpactofInterventions//JAMESJHECKMAN，SingerB．LongitudinalAnalysisofLaborMarket Data．New York:Cambridge University Press:352．

@計量經濟學圈

記錄一個我們生活在其中的時代社會，一個非常具有潛力的深度與客觀兼具的大號，囊括的主題如下：經濟、社會、歷史、新聞、世界、計量工具。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！