随机实验的计量经济学

正文

关于下方文字内容，作者：钟秉睿，中央财经大学财政税务学院，通信邮箱：zunity@163.com

In this chapter, we present econometric and statistical methods for analyzing randomizedexperiments. For basic experiments, we stress randomization-based inference as opposed tosampling-based inference. In randomization-based inference, uncertainty in estimates arises naturally from the random assignment of the treatments, rather than from hypothesized sampling from a large population. We show how this perspective relates to regression analyses for randomized experiments. We discuss the analyses of stratified, paired, and clustered randomized experiments, and we stress the general efficiency gains from stratification. We also discuss complications in randomized experiments such as noncompliance. In the presence of noncompliance, we contrast intention-to-treat analyseswith instrumental variables analyses allowing for general treatment effect heterogeneity. We consider, in detail, estimation and inference for heterogenous treatment effects in settings with (possibly many) covariates. These methods allow researchers to explore heterogeneity by identifying subpopulations with different treatment effects while maintaining the ability to construct valid confidence intervals. We also discuss optimal assignment to treatment based on covariates in such settings. Finally, we discuss estimation and inference in experiments in settings with interactions between units, both in general network settings and in settings where the population is partitioned into groups with all interactions contained within these groups.

目录

一、基本情况

本文选自2019年诺贝尔经济学奖获得者阿比吉特·班纳吉（Abhijit Banerjee）和埃丝特·迪弗洛（Esther Duflo）共同编著的《田野实验手册》（Handbook of Field Experiments, Volume 1），书中收录了该领域的知名学者撰写的论文及相关经典文献。其中，第三章The Econometrics of Randomized Experiments，由苏珊·阿西（Susan Athey）和吉多·W·因本斯（Guido  W. Imbens）夫妇共同撰写，二人均为斯坦福大学教授，妻子阿西为第一位克拉克奖女性得主，丈夫因本斯为2021年诺贝尔经济学奖得主。本章主要论述了随机实验的计量经济学方法论及有关研究，本次研读报告涉及内容为引言部分，是对过往理论的系统综述和总结。

二、引言

1.拟解决的主要问题

随机实验能够弥补观察性研究在进行因果推断时的不足，但在实验的设计与分析中仍存在处理效应的推断、实验设计优化、处理组和控制组的特征不平衡、实验结果在不同环境下的推广、实验单位不互相独立时的统计有效性等问题。本文将主要讨论解决上述问题及其他相关问题的各种方法。 

2.主要结论

2.1 本文建议使用由随机化直接证明的统计方法，而不是计量经济学中常用的更传统的基于抽样的方法，以确保实验无需依赖于额外的假设。

2.2 本文讨论了基于随机化的方法与更常用的回归分析的关系，认为基于随机化的推断是重要的。

2.3 在实验设计方面，本文建议使用实验设计而不是分析来调整实验中协变量的差异。

2.4 本文还讨论了估计异质处理效果的详细方法，重点讨论了允许研究者确定具有不同平均处理效果的子群体的方法，以及估计条件平均处理效果的方法，在这两种情况下，本文认为这些方法允许研究者构建有效的置信区间。

3.研究内容

本文首先讨论随机实验的一些一般方面，以及它们能够提供因果效应的最可信证据的原因。然后，简要介绍基于潜在结果视角的因果推断。接下来，讨论完全随机化实验的分析，在整个过程中，本文强调基于随机化而非模型的推理作为理解随机实验中推理的基础。

4.研究评价

本章的结论是在借鉴、总结包括关于实验分析和设计、因果推断相关文献、发展经济学随机实验实践指南、一般的经验性微观研究等在内的各类文献的基础上得出的。与Duflo等人相比，本文更关注正式的统计方法，而较少关注实地的实施问题；与统计学文献相比，本文的讨论主要限制在单一二元处理的情况下，并更多地关注不符合要求的分组随机化所产生的复杂情况，以及互动和溢出效应的存在；与一般的因果文献相比，本文没有深入讨论具有非约束性或可观察因素选择的观察性研究，而是更多地关注实验环境中的复杂情况。

三、随机实验和有效性

按照 Cochran（1972）的观点，本文将随机实验定义为分配机制不取决于单位观察到或未观察到的特征，而且研究者对分配有控制权的环境。

1.随机实验与观察性研究的比较

随机实验在因果推断中发挥着特殊作用，其独特之处在于研究者对分配机制的控制，凭借这种控制可以消除受处理单位和控制单位之间比较的选择偏差。

一旦对可以重复应用的干预措施感兴趣，就有可能进行实验，或从准实验中获得数据。然而，在探究某一干预措施对单一单位的因果效应时，随机实验无法提供因果问题的答案。

2.内部有效性

内部有效性和外部有效性是因果效应研究中最重要的两个方面，其中内部有效性指的是一项研究在研究人群中估计因果效应的能力。执行良好的随机实验，从定义上看是具有内部有效性的，内部有效性的问题只在对观察性研究或受到影响的随机实验中出现。然而，在单位之间存在干扰的实验环境中，内部有效性依然有待考证。

3.外部有效性

外部有效性涉及对因果关系在人、环境、处理和结果的变化中的成立程度的推断，其关注的是将针对特定人群和环境的因果推论推广到其他地方，这些替代环境可能涉及不同人群的不同结果或不同背景。

从根本上说，大多数对外部有效性的关注都与处理效果的异质性有关。一种方法认为，为了评估异质性，在多个环境中进行随机实验的因果研究是有效的。这些环境应该在单位的特征分布方面有所不同，也可能在处理的具体性质等方面有所不同，以便评估归纳到其他环境的可信度。

另一种方法是专门考虑不同环境下特征分布的差异，调整这些单位层面特征的差异（通过重新加权单位），研究者就可以比较不同地点的处理效果。

4.有限种群与超级种群的随机抽样

在经验分析中，通常将被分析的样本视为从一个大的、基本上是无限的超级种群中随机抽取的样本。不确定性被认为是由这种抽样产生的，对总体的完全了解将实现对估计值的完全了解。然而，这一观点在一些情况下并不适用。

最关键的是，把统计问题看作因果推断的问题，在没有任何抽样不确定性下，对不确定性做出有意义的解释。

本文认为不确定性来源于总体人口中的一些单位暴露在一个水平的处理中，但没有观察到这些单位如果暴露在另一个处理水平中会发生什么，继而使得估计值的一些组成部分未被观察到，而并不是由未观察到的（缺失的）潜在结果引起的。估计值是以这个有限种群为单位定义的，并取决于所有的潜在结果，有些是观察到的，有些是没有观察到的，因此，即使人口中的所有单位都被观察到，我们也不能推断出估计值的确切值。

在许多情况下，与基于随机分配处理的估计者相关的方差将类似于那些基于抽样不确定性的常规计算。在其他情况下，基于抽样的常规标准误差将是不必要的保守的。当协变量与处理分配接近不相关时（如在随机实验中），差异可能是温和的。

1.机器学习之KNN分类算法介绍: Stata和R同步实现（附数据和代码），2.机器学习对经济学研究的影响研究进展综述，3.陈硕: 回顾与展望经济学研究中的机器学习，4.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响! 5.Top, 机器学习是一种应用的计量经济学方法, 不懂将来面临淘汰危险！6.Top前沿: 农业和应用经济学中的机器学习, 其与计量经济学的比较, 不读不懂你就out了！7.前沿: 机器学习在金融和能源经济领域的应用分类总结，8.机器学习方法出现在AER, JPE, QJE等顶刊上了！9.机器学习第一书, 数据挖掘, 推理和预测，10.从线性回归到机器学习, 一张图帮你文献综述，11.11种与机器学习相关的多元变量分析方法汇总，12.机器学习和大数据计量经济学, 你必须阅读一下这篇，13.机器学习与Econometrics的书籍推荐, 值得拥有的经典，14.机器学习在微观计量的应用最新趋势: 大数据和因果推断，15.R语言函数最全总结, 机器学习从这里出发，16.机器学习在微观计量的应用最新趋势: 回归模型，17.机器学习对计量经济学的影响, AEA年会独家报道，18.回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现），19.关于机器学习的领悟与反思，20.机器学习，可异于数理统计，21.前沿: 比特币, 多少罪恶假汝之手? 机器学习测算加密货币资助的非法活动金额! 22.利用机器学习进行实证资产定价, 金融投资的前沿科学技术! 23.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！24.机器学习和经济学, 技术革命正在改变经济社会和学术研究

下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。

2.5年，计量经济圈近1000篇不重类计量文章，

可直接在公众号菜单栏搜索任何计量相关问题,

Econometrics Circle

计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。