政策效应，基于反事实框架

政策效应，基于反事实框架（一）

Edited by Linhao Cui;

根据陈强高级计量经济学及stata应用等书籍自己整理得到；仅供学习交流使用。

从一个基准的理想政策评价模型出发：
$$Y_i=\beta \cdot Polic{y}_i+{\mu }_i$$
假设内生性问题已经解决，这里能否说 $ \beta_i $ 的一致估计量就是处理效应呢？

显然不行，因为该政策很可能存在自选择的问题，也就是说该政策的施加并非是随机的，而是由该个体依据自身属性条件决定的，具体可分为由可观测的因素决定和不可观测的因素决定，也就是说是否施加政策和结果变量并不独立，由此产生的偏差被称为样本选择偏差。存在样本选择偏差的条件下，政策效应或者因果效应的估计是存在明显的高估或者低估倾向的，这种高估和低估的倾向并不是由于技术因素带来的，而是现实原因的心理倾向。

因此，基准模型的估计结果自然是有偏的，为了更清晰的表明处理效应，提出以下概念：

记个体 i 未来的状态为 $y_i$ :

$$y_i=\{\begin{array}{ll}{y}_{1i}& D_i=1\\ y_{0i}& D_i=0\end{array}$$
其中D为政策实施的哑变量；$y_{1i}$ 代表个体 i 实施政策后的结果，$y_{oi}$ 为个体 i 不接受处理的结果；

这个式子代表个体 i 在未来的两种状态，这两种状态只能观察到一种，这个框架即潜在事实。

任何个体，未来的状态均可表示为其潜在状态和观测状态的线性组合：
$$y_i=D_i{y}_{1i}+(1-D_i)y_{0i}=y_{0i}+D_i(y_{1i}-y_{0i})$$
其中$y_{1i}-y_{0i}$ 即为个体处理效应或者称之为因果效应。

可以看出，个体的未来状态 $y_i$ 由一个三维向量$（y_{1i},y_{0i},D_i)$决定。

平时我们研究的处理效应是个体处理效应的平均，称之为平均处理效应，具体可分为以下三种形式：
$$\begin{gathered} ATE(平均处理效应)=E(y_{1i}-y_{0i}) \\ ATT(处理组平均处理效应)=E(y_{1i}-y_{0i}|D_i=1) \\ ATN(对照组平均处理效应)=E(y_{1i}-y_{0i}|D_i=0) \end{gathered}$$
值得注意的是，这三种处理效应都是基于反事实的估计，都无法直接观测得到，因此我们需要基于观测结果估计平均处理效应。
$$E(y_{1i}|D_i=1)-E(y_{0i}|D_i=0)=\underset{ATT}{\underbrace{E(y_{1i}|D_i=1)-E(y_{0i}|D_i=1)}}+\underset{样本选择偏误}{\underbrace{E(y_{0i}|D_i=1)-E(y_{0i}|D_i=0)}}(1)$$
其中等式左边是可以由观测结果得到的。也就是基准模型可以估计的。

等式右边样本选择偏误是十分重要的一项，这一项代表了处理组和对照组的故有偏差，如果这一项足够大，甚至可能使得估计结果为负，对这一项的处理方式不同，也就衍生出了不同的政策效应估计模型：

显然我们的目标是使得样本选择偏误消失，消失的条件显然是政策变量和结果变量无关，此时：
$$E(y_{0i}|D_i=1)-E(y_{0i}|D_i=0)=E(y_{0i})-E(y_{0i})=0(2)$$

参数方法： 好的控制、DID 与 断点回归设计

施加好的控制变量方法

使用这一方法的前提条件是，样本自选择问题是依据可以观测的因素，此时我们只需要施加好的控制，就可以让(1)式成立，即：
$$\begin{gathered} E(y_i|D_i,X_i)=E(y_i|X_i) \\ ⟹E(y_{0i}|D_i=1,X_i)-E(y_{0i}|D_i=0,X_i)=E(y_{0i}|X_i)-E(y_{0i}|X_i)=0 \end{gathered}$$
样本选择偏误即可消失，因此如果自选择问题是依据可观测的变量而产生的，就可以采用以下回归模型：
$$Y_i=\beta \cdot Polic{y}_i+X_i^{\prime }\gamma +{\mu }_i$$
代入（1）式，可以写为：
$$\begin{gathered} E(y_{1i}|D_i=1,X_i)-E(y_{0i}|D_i=0,X_i) \\ =E(y_{1i}|D_i=1,X_i)-E(y_{0i}|D_i=1,X_i)+E(y_{0i}|D_i=1,X_i)-E(y_{0i}|D_i=0,X_i) \\ =E(y_{1i}|D_i=1,X_i)-E(y_{0i}|D_i=1,X_i)=\beta \end{gathered}$$
此时 $\beta$ 即为处理组平均处理效应。

DID方法

DID方法基于对选择偏差的这样一种处理：

既然样本选择偏误来自于个体固有的差异，那么就认为个体的差异在两期之间是固定不变的，用前一期的差异来估计样本选择偏误。

为了表述清楚DID的思想，引入时间符号 $t和t^{\prime }$ 分别表示第二期和第一期，分别写出两期的回归方程
$$\begin{gathered} y_{it}={\beta }_0+{\beta }_1\cdot D_{it}+{\mu }_{it} \\ {y}_{i{t}^{\prime }}={\alpha }_0+{\alpha }_1\cdot D_{i{t}^{\prime }}+{\xi }_{i{t}^{\prime }} \end{gathered}$$

$$\begin{gathered} \widehat{{\beta }_1}=E(y_{it}|D_i=1)-E(y_{it}|D_i=0) \\ \widehat{{\alpha }_1}=E(y_{i{t}^{\prime }}|D_i=1)-E(y_{i{t}^{\prime }}|D_i=0) \end{gathered}$$

这两个估计量分别表示了两期的固有偏误。构造：
$$\begin{gathered} \delta =\hat{\beta }-\hat{\alpha } \\ =\widehat{ATT} \\ =(E(y_{it}|D_i=1)-E(y_{it}|D_i=0))-(E(y_{i{t}^{\prime }}|D_i=1)-E(y_{i{t}^{\prime }}|D_i=0)) \\ =(E(y_{it}|D_i=1)-E(y_{i{t}^{\prime }}|D_i=1))-(E(y_{it}|D_i=0)-E(y_{i{t}^{\prime }}|D_i=0)) \end{gathered}$$
$\hat{\delta }$ 即为DID估计量。将DID中的两个式子合并，可得：
$$y_{it}={\beta }_0+{\beta }_1\cdot after+{\beta }_2\cdot treat+\delta \cdot after\cdot treat+\cdot \cdot \cdot \cdot \cdot$$
可以发现式子中 $\hat{\delta }$ 即为所求。

很明显可以看出，DID方法的应用前提是平行趋势。

然而很多情况下，平行趋势假设并不能得到满足，也就是说，处理组和对照的时间趋势并不平行，举个例子：

假设针对河南（H）的65岁以上老人实施了某一项医疗政策，我们想了解该政策对老年人健康状况的改善，这时我们可以选择两个对照组，一是H省65以下的年轻人为对照组，二是邻近的山东省（S）的老年人作为对照组，但是这两种对照组本身存在的问题是，该省65岁以下年轻人的健康情况发展趋势本身就比65岁以上老人要好，时间趋势并不平行，二是邻近的S省老年人的健康发展趋势和H省也不平行，为此我们可以想到的办法是，以邻近的S省的情况估计这两种发展趋势的差异。以第一种情况为例：

我们对DID估计量进行改造，使其变为DDD估计量：
$$\begin{gathered} \hat{\delta }=[(E(y_{iHt}|D_i=1)-E(y_{iHt}|D_i=0))-(E(y_{iH{t}^{\prime }}|D_i=1)-E(y_{iH{t}^{\prime }}|D_i=0))] \\ -[(E(y_{iSt}|D_i=1)-E(y_{iSt}|D_i=0))-(E(y_{iS{t}^{\prime }}|D_i=1)-E(y_{iS{t}^{\prime }}|D_i=0))] \end{gathered}$$
更清晰的，我们用简化的表达式：
$$\hat{\delta }=[(y_{HT2}-y_{HT1})-(y_{HC2}-y_{HC1})]-[(y_{HT2}-y_{HT1})-(y_{HC2}-y_{HC1})]$$
为了清楚表示，通过下面这张图来展示：

为了简化起见，在第一种情况下，也就是以H省年轻人为对照组的前提下，假设S省和H省的老年人和年轻人分别拥有相同的健康发展趋势。此时可以从图中看出，DDD估计量为$(A-B)-(C-B)=A-C$

很明显可以看出A-C即为所求，通过三重差分的方式，将不平行的时间趋势消除掉了，DDD估计量的估计方程可以写作：
$$y_{it}={\beta }_0+{\beta }_{1}H+{\beta }_{2}T+{\beta }_{3}A+\delta H\cdot A\cdot T+{\xi }_{it}$$