天大主页 | 设为首页 | 添加收藏
首页 > 校内新闻 > 科研 > 正文

马寅初经济学院助理教授杨珅珅的论文在Journal of Econometrics发表

      2024-04-12       

(本站讯 马寅初经济学院供稿)天津大学马寅初经济学院助理教授杨珅珅与英国布里斯托大学教授SukjinHan合作的文章“A Computational Approach to Identification of Treatment Effects for Policy Evaluation”发表于经济学国际顶级期刊Journalof Econometrics,2024年,第240卷,第一期。

图片1.png

本文研究在进行反事实政策评估时,确保识别参数能有效达到政策评估目标非常重要。然而,当无法观测和控制的异质性存在时,该识别目标极具挑战性。局部处理效应(LATE)便是一个经典例子,由于其本质上的局部性,它在反事实环境中缺乏外部有效性,因而难以通过其识别结果在更广泛的群体层面进行政策评估。本文探讨了在仅有二元工具变量的情况下,将局部处理效应外推到不同反事实情况的可能性。我们将相关处理参数定义为边际处理效应(MTE)的平均加权,并提出一个新框架,用以系统地计算多种与政策相关的处理效应的尖锐非参数界限。该框架具有很强的灵活性,能够最大限度地利用工具变量的统计独立性(而非均值独立性),以及融合大量其他假设,这些假设相比于先前研究中考虑的边际处理效应形状限制假设更加宽泛化,并可以有效缩小部分识别区间。我们将该方法应用于理解医疗保险政策对医疗服务使用的影响。

在因果推断和政策评估文献中,工具变量常被用来辅助参数识别。然而,工具变量法带来的局部性问题不可忽视,在全局层面进行政策评估具有挑战性。针对该问题,本文的边际贡献主要体现在以下四个方面:首先,基于线性规划提出新方法,可在总体层面系统性计算各类处理效应参数,并对实践中高维Sieve方法带来的技术性问题提出了新的处理方案。其次,通过假设工具变量的完全独立性,并在此基础上将线性规划目标参数设置至分布函数,因此可以使用数据中的全部分布信息作为限制条件。相较于文献中已有方法,可获得更小的识别区间,并达到非参数锐界限。第三,由于该方法的优化参数可设置至分布函数层面,本文提出的框架可以灵活纳入文献中各类经典假设,及一些在过往文献中并没有引起重视的新假设。最后,通过识别不同潜在成本群组的处理效应,基于美国数据,本文发现,最需要医疗救治的群体,往往因高昂费率、严苛核保要求等成本被商保拒之门外。因此,社会福利性质保险的推广十分必要,将极大提升该群体就医频率,解决其健康需求,增进社会福利。

文章全文参见链接:

https://www.sciencedirect.com/science/article/pii/S0304407624000265

图片2.png

杨珅珅,美国德克萨斯大学奥斯汀分校经济学博士,于2021年10月入职马寅初经济学院任职助理教授。她的主要研究方向为理论和应用计量经济学,具体研究兴趣为非参数和半参数模型的识别及其在政策评估中的应用。她研究成果发表在Journalof Econometrics等经济学期刊。

(编辑 张华 安桐瑶)