基于微觀非實驗數據的政策效應評估方法評價與比較

摘要：社會政策是政府發揮職能的重要手段，對政策實施的效果進行量化評估，有助于政府決策的科學化、合理化。本文基于非實驗數據，歸納了目前微觀政策領域各種致力于構建“反事實”的政策效應評估方法，包括工具變量法（IV）、斷點回歸（RD）、雙重差分（DID）和匹配方法（Matching），闡述了其各自的優勢、劣勢及適用條件，并對實際政策評估中各模型的選用進行了簡要述評。

關鍵詞：政策效應評估；反事實；準實驗方法；匹配方法；工具變量法；斷點回歸；雙重差分

中圖分類號：F224 文獻標志碼：A 文章編號：16748131（2012）04004208

Review and Comparison of Researches on PolicyEvaluation Based on Micro Nonexperimental Data

WEI Mengxing

（Graduate School，Chinese Academy of Social Science，Beijing 102488，China）

Abstract: Social policy is an important means for governments to realize their function. Quantitative evaluation on the effect of policy implementation can help the governments make decisions scientifically and reasonably. Based on nonexperimental data，this paper summarizes the evaluation methods for all kinds of the “counterfactual” policy effects deliberately constructed in current micropolicy field， such as instrumental variable method， regression discontinuity method，differenceindifference method and matching method， elaborates the advantages， disadvantages and applicable conditions of each method， and makes brief review of the selection of each model in the practice of policy evaluation.

Key words: policy effect evaluation；counterfactual；quasiexperiment method；matching method；instrumental variable method；regression discontinuity method；differenceindifference method 

進行政策評價是計量經濟學研究的核心目的之一。中國經濟正處于高速發展階段，社會改革也在逐步深化，政策、規則的改變頻頻發生，這為政策評價方法與理論的發展提供了一個絕佳的背景。對政策實施的效果進行量化評估，有助于政府決策的科學化、合理化。通過構建“反事實”對政策效應進行評估是當前政策評價研究中的熱點，從搜集到的文獻來看，目前的研究成果主要集中在以勞動經濟學為主的微觀領域，在宏觀領域并未取得太多進展。有鑒于此，本文將對國內外微觀政策評估領域的研究方法做一綜述，闡述各種方法在應用上的優勢及劣勢，總結其適用條件，并對實證研究中各模型的選用進行簡要述評。

衛夢星：基于微觀非實驗數據的政策效應評估方法評價與比較

一、政策效應評估的基本問題

1.“反事實”

假定總體中有兩組或多組群體，能夠在兩期或多期觀測到其中的個體數據，并且在某些時期某些個體受到了一項新政策的“干預”（treatment）。在政策評估中，通常把接受政策干預的樣本稱為實驗組，把未受政策干預的樣本稱為控制組。要估計一項政策的實施效應，一個簡單的邏輯就是對所有個體在政策實施前后的結果變量做比較，將差值作為個體的處置效應（treatment effect），進而可推知政策實施效應。

在二元選擇的情況下，定義指示變量D，當Di=1時，認為個體i選擇接受政策的影響；反之，當Di=0時則視為個體選擇不接受政策影響。Di由一系列個體特征因素決定，不同個體之間的選擇相互獨立。若定義時期0為政策未實施的時期，1為政策實施后的時期，則個體i的處置效應可以寫作：

τi=Yi(1)－Yi(0)

但由于道德因素、社會成本等原因，現實中的政策只有極少數采用隨機實驗的方式實施，研究者可觀測到的數據多是非實驗數據。這就意味著社會實驗政策實施以后，研究者不可能同時觀測到同一個體在接受和不接受政策干預時的表現。對于實驗組中的個體，研究者無法觀測其在未接受政策干預時的表現；而對于控制組中的個體，研究者也無法預測其在接受政策干預時的表現。也就是說，存在著兩組“反事實”（counterfactual）。因此，如何構建 “反事實”就成為政策效應評估中的關鍵。本文所討論的各種評估方法的不同，本質上是其構建“反事實”的方法不同。

2.個體的異質性決策

在政策實踐中，個體并非通過隨機委派的方式接受政策干預。多數情況下政策的實施是區域性的，區域中的個體會預測自己接受政策干預時可能獲得的凈收益，進而通過遷移等反應來決定是否接受政策影響。也就是說，個體存在私人信息，并根據私人信息進行參與決策。

個體的私人信息與個體特征緊密相關，具有異質性，不僅會影響個體的參與決策，間接影響結果變量，還可能直接對結果變量施加影響，是混雜因素（confounding factor）。如果研究者不能控制混雜因素對個體結果變量的直接影響，所測得的政策效應就會出現偏差，稱為選擇偏差（selection bias）。不可觀測的混雜因素的存在是選擇偏差產生的主要原因。但在政策評估的實踐中，抽樣方法、樣本選擇等的不規范會使得控制組與實驗組的可觀測變量分布并不相同，這時就會出現可觀測變量的不匹配引起的偏差。Heckman 等（1997）指出，可觀測變量的不匹配引起的偏差比不可觀測變量引起的偏差要大得多。

個體異質性決策以及混雜因素的存在，使得微觀政策效應的評估既要解決內生性問題，又要解決混雜因素的干擾問題，傳統上僅將結果變量與協變量和指示變量D做簡單回歸的方法就不再可行了，必須尋找新的方法來解決這一問題。

3.相關統計量

如上分析可知，由于存在著“反事實”，估計單個個體的處置效應是不可能的，只能關注平均處置效應（average treatment effect， ATE）或實驗組的平均處置效應（average treatment effect on the treated， ATT）。其中，ATE表示從總體中隨機選擇一個具有特征X的個體接受干預時所能獲得的平均回報，ATT表示通過自我選擇接受干預的個體相比于其未接受干預時能獲得的平均回報。ATT與ATE回答了兩個完全不同的問題，一般情況下二者是不同的。但當政策對所有個體的影響相同，或者當受干預的個體是隨機選取，且研究者關注政策對總體的平均影響時，ATT與ATE等價。ATE與ATT的計算方法分別如下所示：



此外，Bjorklund 等（1987）還提出了邊際政策效應（marginal treatment effect，MTE）的概念。MTE指處于接受或不接受干預臨界狀態的個體最終選擇接受政策干預時的平均回報。可見，研究者要根據實際需要選擇合適的估計量進行測算。

因為ATE所包含的研究對象來自于總體，包含了很多實際未被納入政策實施范圍的個體，MTE將處于臨界狀態的個體作為研究對象，二者都不是決策者關注的重點。ATT直接將實際接受政策干預的個體的平均處置效應作為關注點，符合決策者的政策意圖，有利于評估目標群體從政策中獲得的平均回報，從而幫助判斷政策是否達到預期目標。因此，實際中ATT的應用較為普遍。

二、使用非實驗數據構建“反事實”的方法

根據數據產生方式的不同，微觀政策效應評估的方法可分為隨機受控實驗（randomized controlled trial）、準實驗（quasiexperiment）以及匹配（matching）等方法。

1.隨機受控實驗

從某種意義上講，隨機受控實驗是最可信的一種政策評估方法。它通過將符合項目參與條件的部分個體隨機地排除至項目之外，為實驗組對象提供一個自動生成的控制組。但是，隨機受控實驗有其自身的局限性：（1）在經濟中很少遇到，且實施成本高，時間長；（2）不能用于外推，不能輕易用作政策實施前的決策依據；（3）實驗要求控制組完全不受政策的影響，但實際中很難排除政策的溢出效應、替代效應等。基于以上原因，隨機受控實驗在實踐中應用很少。盡管如此，這一方法仍可幫助我們判斷其它評估方法的效力。

2.準實驗

準實驗方法將政策改革視為一項實驗，試圖在精心設計的實驗條件下，為實驗組找到一個自然產生的控制組。準實驗方法包括工具變量（instrumental variables，IV）、雙重差分（differenceindifferences，DID）以及斷點回歸（regression discontinuity，RD）等方法。其中，IV是該領域最早使用的方法；RD在2000年后才開始使用，目前使用還較少；DID是目前應用最多的方法，可信度也較高。

3.匹配方法

匹配方法是利用非實驗數據進行政策評估時常用的方法。匹配的目的非常簡單，就是要找出足夠的可觀測變量，找到與實驗組個體足夠相近的個體作為控制組，二者結果的不同完全取決于是否接受政策干預。這樣，如果每個實驗組個體都可以找到一個或多個與其具有相同協變量且未參與項目的控制組個體相匹配，那么實驗組的每個個體的處置效應就可以計算，ATT也可相應地計算出來。

計量經濟學方法依托于數據，不同來源的數據具有不同的特征。在微觀經濟政策評估領域，常處理的數據類型主要有以下幾種：截面數據（crosssection data）、縱向數據（longitudinal data）和重復截面數據（repeated crosssection data）。依托非實驗數據進行政策評估時，必須根據數據特征選擇恰當的評估方法。數據結構某種程度上決定了方法的選擇，而數據質量則關乎實證結果的可靠性和正確性。由于隨機受控實驗在實際中較少遇到，本文將著重探討準實驗方法及匹配等其他方法的原理及使用。

三、利用非實驗數據進行微觀政策效應評估

1.工具變量法

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系，并試圖應用IV來解決其內生解釋變量和遺漏解釋變量的問題。他選擇了此項政策支出的滯后量、總的政府支出、人口、非白人比例等變量作為IV，但并沒有解釋為什么這些變量是好的IV，所選出的這些IV與內生的解釋變量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量的問題，從而將IV的效率問題以及IV的選取準則引入研究。此后，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量上。

工具變量法是一個相對簡單的估計方法，但是有兩個重要的缺陷：（1）工具變量的選擇問題。在政策評估問題中，要找出滿足條件的工具變量并不容易。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，研究者多使用因變量的滯后變量作為工具變量。但是，這同樣會引發相關性，并不能從根本上解決問題。（2）如果個體對于政策的反應不同，只有當個體對政策反應的異質性并不影響參與決策時，工具變量才能識別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行為異質性（Heckman，1997）。

2.斷點回歸

RD是一種類似于隨機受控實驗的準實驗方法。它的主要思想是：當個體的某一關鍵變量的值大于臨界值時，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，小于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，尤其是在變量連續的情況下，臨界值附近樣本的差別可以很好地反映干預和結果變量之間的因果聯系，進而計算出ATE、ATT等政策效應變量。

RD最早是由美國西北大學的心理學家Campbell于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，并提出了相應的估計方法。自此之后，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是一種類似于隨機實驗的方法，也是準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，從而真實反映出變量之間的因果關系。RD方法應用的關鍵假設是要求在斷點附近的個體的特征相同，這一假設可以通過統計分析得到檢驗。由此可見，RD的吸引力不僅在于它的實驗性，還在于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Uit可分解為Uit=φi+θt+μit，其中φi是個體固定效應，不隨時間變化；θt是個體所處的共同的環境帶來的效應，對于所有個體而言都相同；μit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μit相同，因此通過對截面單位在項目實施前后的結果取差值，就能排除φi、θt的影響。反之，若在政策實施條件下，個體時點效應μit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并估計參數：



其中，Tit=1表示實驗組對象，反之則表示控制組對象；Ait=1表示政策實施后的區段，反之亦然；TitAit是交叉項，其系數β3表示實驗組對象在接受政策后結果變量的變動程度，反映了政策變動的效應，是目標變量。參數β1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β2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，β3=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。

表1DID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，此后對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并未對社會謀殺發生率起到遏制作用；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）對我國建筑節能政策的實施效應進行了評估；黃清（2009）對2002—2005年電力行業放松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于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）基于上市公司數據，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，從而放松了政策評估的條件，使得政策評估的應用更接近于經濟現實，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，相比于Matching，DID方法要求更多的數據。

（2）個體時點效應μit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量隨時間變化的路徑平行，這一假設并沒有考慮個體時點效應μit的影響。由于μit的影響，在項目實施前后，實驗組和和控制組個體行為的結果變量并不平行，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沖擊對處于相同環境中的個體會產生相同的影響，即θt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沖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，從而進一步放松其應用條件；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.匹配方法

匹配是一種非實驗方法，是對于一些沒有采用或不方便采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，控制協變量之后，具有相同特征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量上。因此，對每一個實驗組個體而言，可以根據可觀測特征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涉及多個協變量，會導致“維度災難”、計算過于復雜等問題。Rosenbuam 等（1983）指出，如果協變量能使得條件獨立假設（conditional independence assumption，CIACIA是由Lechner1999年提出的概念，又被稱為unfoundedness （Rosenbaum et al， 1983）或selection on observables（Heckman et al，1985）。匹配方法的基本前提可表示為：Y(0)，Y(1)⊥D|X或者Y(0)，Y(1)⊥D|P(X)，二者分別是CVM和PSM下條件獨立假設的不同表示形式。CIA意味著所有能同時影響干預分配機制和結果變量的混雜因素都能被觀察到，這樣就可消除由不可觀測因素引起的選擇偏差，進而估計政策效應。 ）成立，那么傾向得分（propensity score，PS）作為協變量的一個函數，當然也能使得CIA成立。通過將協變量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，在提出之初并沒有受到很大關注，但是近些年被廣泛應用于醫藥、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）對在埃塞俄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采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，因農戶技術采用存在的自我選擇而帶來的因果干涉問題；李佳路（2010）運用PSM方法，采用S省30個國家扶貧開發重點縣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。如果對于不同個體而言，處置效應是同質的，那么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方法往往應用于截面數據，為了保證條件獨立假設成立，需要盡可能多地搜集協變量信息，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征最為接近的控制組，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，并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。

四、研究評述

本文對政策評價的基本原理做了簡單闡述，指出構建“反事實”是政策效應評估的核心。目前利用微觀非實驗數據構建“反事實”的方法主要有RD、IV、DID和Matching等方法，其中，RD類似于隨機實驗，因果推斷最為清晰，結果最為可信，假設的可檢驗性也最強，但適用的范圍還較小；IV、DID、Matching是目前微觀政策評價中的常用方法。本文從適用數據類型、對混雜因素的處理以及參數識別三方面對三種方法做簡要比較，如表2所示。

表2基于微觀非實驗數據的政策效應評估方法比較

數據類型及容量對方法的選用至關重要。IV法多用于截面數據，但在縱向數據和重復截面數據中也有應用；（條件）DID方法對重復截面數據的處理效果最佳，但必須能夠獲得政策實施前的相關數據；Matching能很好地應用于截面數據和縱向數據，但需要大量的個體數據作為支撐，當數據量充足時，簡單的PSM模型也能獲得理想的政策效應參數。僅就數據要求而言，Matching所需的數據量最大。

不同方法對不可觀測因素的處理也不相同。IV和Matching假定不存在未被觀測到的混雜因素，所有能同時影響干預分配機制及結果變量的混雜因素都被觀測到，個體接受或不接受政策干預都取決于可觀測變量。從這個意義上講，IV和Matching是基于可觀測變量的評估方法。而DID則容忍不可觀測因素的存在，且允許其對個體決策產生影響，通過假定及差分消除不可觀測因素的影響。從對不可觀測因素的處理而言，DID更為嚴謹。

當處置效應同質時，IV、DID和Matching均可識別ATT、ATE，但當處置效應異質時，各種方法對ATT、ATE的識別情況各不相同。此外，Matching是非參數方法，不用設定方程，更具一般性；DID方法不用施加嚴格的外生假設，只要處置效應能以可加方式進入結果方程，甚至都不用定義結果方程。相比而言，IV需要對方程施加嚴格的外生假定，實證分析中需要做更多的檢驗。

綜上所述，各種方法的適用條件各有不同，優劣各異，在政策效應評估實踐中，研究者必須以經濟理論為基礎，根據政策本身的特點，結合所能獲取的數據特征選擇適用的方法，并選擇符合研究目的的政策效應參數進行識別和估計。

參考文獻：

陳玉萍，吳海濤，陶大云，等.2010.基于傾向得分匹配法分析農業技術采用對農戶收入的影響——以滇西南農戶改良陸稻技術采用為例［J］.中國農業科學（5）：36673676.

黃清.2009.電力行業放松規制改革政策效果的實證研究——基于發電業數據的雙重差分模型檢驗［J］.山西財經大學學報（1）：4956.

劉鳳芹，馬慧. 2009.傾向得分匹配方法的敏感性分析［J］.統計與信息論壇（10）：713.

劉生龍，王亞華，胡鞍鋼.2009.西部大開發與區域經濟收斂［J］.經濟研究（9）：94105.

李佳路. 2010.扶貧項目的減貧效果評估：對30個國家扶貧開發重點縣調查［J］.改革（8）：125132.

李楠，喬榛. 2010.國有企業改制政策效果的實證分析——基于雙重差分模型的估計［J］.數量經濟技術經濟研究（2）：321.

聶輝華，方明月，李濤. 2009.增值稅轉型對企業行為和績效的影響［J］.管理世界（5）：1735.

胥佚萱，林志偉.2011.增值稅轉型改革與企業固定資產投資決策——基于中國上市公司數據的面板雙重差分模型分析［J］.稅務與經濟（1）：9097.

俞紅海，徐龍炳.2010.股權分置改革有效改善了公司績效嗎？——基于雙重差分模型的估計［J］.浙江工商大學學報（1）：5662.

余靜文，趙大利. 2010a.城市群落崛起、經濟績效與區域收入差距［J］.中南財經政法大學學報（4）：3038.

余靜文，王春超. 2010b.轉型時期中國城市圈的經濟績效［J］.當代經濟科學（5）：1522.

周黎安，陳燁. 2005.中國農村稅費改革的政策效果：基于雙重差分模型的估計［J］.經濟研究（8）：4453.

朱寧寧，朱建軍，劉思峰，等.2008.我國政府建筑節能政策（措施）的實施效果評價［J］.中國管理科學（10）：576580.

ANGRIST，JOSHUA D. 1990. Lifetime Earnings and the Vietnam Era Draft Lottery： Evidence from Social Security Administrative Records ［J］.American Economic Review，80：313336.

ANGRIST，JOSHUA D，ALAN B K. 1991. Does Compulsory School Attendance Affect Schooling and Earnings［J］. Quarterly Journal of Economics，106：9761014.

BELL B，BLUNDELL R，VAN REENEN J. 1999.Getting the unemployed back to work： an evaluation of the New Deal proposals［J］. International Tax and Public Finance，6：339360.

BJORKLUND A， MOFFITT R. 1987.The Estimation of Wage Gains and Welfare Gains in SelfSelection Models［J］.Reviews of Economics and Statistics， 69：4249.

BOUND J，DAVID J，REGINA B. 1995. Problems with Instrumental Variables Estimation when the Correlation between the Instruments and the Endogenous Explanatory Variable is Weak［J］. Journal of the American Statistical Association，90：443450.

CARD，DAVID，ALAN B K. 1992a. Does School Quality Matter? Returns to Education and the Characteristics of Public Schools in the United States［J］. Journal of Political Economy，100：140.

CARD，DAVID，ALAN B K. 1992b. School Quality and Black–White Relative Earnings： A Direct Assessment［J］. Quarterly Journal of Economics，107：151200.

DANIEL O G，JOHN H. 2008. The Impact of Ethiopia’s Productive Safety Net Programme and its Linkages［C］. IFPRI Discussion Paper 00839.

DONOHUE，JOHN J，JUSTIN W. 2005. Uses and Abuses of Empirical Evidence in the Death Penalty Debate［J］. Stanford Law Review，58：791845.

EHRLICH，ISAAC. 1975. The Deterrent Effect of Capital Punishment：A Question of Life and Death［J］. American Economic Review，65：397417.

EHRLICH，ISAAC. 1977. Capital Punishment and Deterrence：Some Further Thoughts and Additional Evidence［J］. Journal of Political Economy，85：741788.

EHRLICH，ISAAC. 1987. On the Issue of Causality in the Economic Model of Crime and Law Enforcement：Some Theoretical Considerations and Experimental Evidence［J］. American Economic Review，77：99106.

EHRLICH，ISAAC. 1996. Crime，Punishment，and the Market for Offenses［J］.Journal of Economic Perspectives，10：4367.

HAHN，TODD，VANDER K. 2001. Identification and estimation of treatment effects with a regression discontinuity design［J］. Econometrica，69：201209.

HECKMAN J J. 1997. Instrumental Variables： A Study of Implicit Behavioral Assumptions Used in Making Program Evaluations［J］. The Journal of Human Resources，32：441462.

HECKMAN J J. 2008. Econometric causality［J］. International Statistical Review，52： 127.

HECKMAN J J，H I. 1997. Matching as an Econometric Evaluation Estimator： Evidence from Evaluating a Job Training Programme［J］. The Review of Economic Studies， 70： 605654.

HECKMAN J J，ROBB R. 1985. Alternative Methods for Evaluating the Impact of Interventions// JAMES J HECKMAN， Singer B. Longitudinal Analysis of Labor Market Data. New York： Cambridge University Press：352.

HECKMAN J J，ROBB R. 1986. Alternative Methods For Solving The Problem of Selection Bias in Evaluating The Impact of Treatments on Outcomes［M］//Wainer H. Drawing Inferences from SelfSelected Samples. Berlin：SpringerVerlag.

KANNIKA D，CHENG HSIAO， XUEYAN ZHAO. 2010. Decriminalization and Marijuana Smoking Prevalence： Evidence From Australia［J］. Journal of Bisiness and Econometrics，38：344356.

LEE D S. 2008. Randomized Experiments from Nonrandom Selection in US House elections［J］. Journal of Econometrics，144：675 697.

PERKINS S M， TW. 2000. For objective causal inference：design trumps analysis［J］.The Annual of Applied Atatistics，48： 93101.

PUHANI P A. 2000. Poland on the Dole：The Effect of Reducing the Unemployment Benefit Entitlement Period［J］. Journal of Population Economics，59：3544.

ROSENBAUM P RD. 1983. The central role of the propensity score in observational studies for causal effects［J］. Biometrika，84：4155.

SANDRA CAVACO DF. 2009. Estimating the Effect of a Retraining Program on the ReEmployment Rate of Displaced Workers［R］. The Institute for the Study of Labor Working Paper.

SHAOHUA CHEN RM. 2008. Are There Lasting Impacts of Aid to Poor Areas［R］. World Bank Policy Research Working Paper 4084.

STEWART MB. 2004. The Employment Effects of the National Minimum Wage［J］. The Economic Journal，63：110116.



（責任編校：夏冬）