2024年12月18日，由清华大学计算社会科学与国家治理实验室主办的清华交叉学科研究能力提升计划“大数据与因果推断研讨班”第七期在线上举行。清华大学公共管理学院、清华大学国情研究院刘生龙教授应邀作为主讲人，做了主题为“边际处理效应框架：基本原理及其应用示例”的讲座。讲座全程由清华大学公共管理学院陈思丞副教授主持。
本次课程分为五个部分：第一部分概述局部平均处理效应及其估计的局限性，第二部分详细介绍边际处理效应框架，第三部分总结边际处理效应的优缺点，第四部分结合案例介绍了边际处理效应的应用，第五部分展望了边际处理效应的应用前景。
第一部分刘生龙教授概述了局部平均处理效应及其估计的局限性。刘生龙教授从因果推断中的内生性问题开始，提到由两阶段最小二乘估计（2SLS）得到的估计值仅能识别局部平均处理效应（LATE），即仅能识别受到冲击并接受处理的“顺应者”群体（Compliers）的因果效应，而无法推断“总是接受处理者”（Always-takers）和“从不接受处理者”（Never-takers）群体的因果效应。紧随着Deaton（2009）和Heckman and Urzua（2009）在两篇NBER工作论文中对LATE提出质疑，Carneiro et al.（2011）进一步对此回应并提出边际处理效应（MTE）比LATE好。
第二部分介绍了边际处理效应（MTE）框架。MTE的基本思想是在广义罗伊模型的基础上进行异质性处理效应的估计，能够克服LATE在估计不同群体处理效应时的局限性。MTE框架通过一个标准的隐性变量离散选择模型来代表个体决定是否接受处理（Heckman and Vytlacil，2005，2007）。这一框架假设，个体接受处理的净收益依赖于可观测变量（工具变量和其它外生控制变量）和不可观测变量（如个体的内生阻力）。根据这一假设，刘教授进一步阐释了如何通过式（1）-（3）构成的广义罗伊模型来估计MTE。这一方法的核心在于，通过对个体在不同倾向得分下的处理效应进行区分，能够更加精细地估计不同群体的异质性处理效应。
在具体的MTE估计过程中，刘教授介绍了两种主要的估计方法：参数估计和非参数估计。参数估计通过多项式方法模拟倾向得分的非线性函数，进而进行偏导数计算，得出MTE的估计值；而非参数估计则通过局部多项式回归来模拟倾向得分函数，再通过求导得到MTE的估计。
刘教授还通过图形展示了如何通过工具变量所赋值的变化来识别不可观测的处理阻力，进而估算不同倾向得分区间内的MTE值。这种方法使得研究者能够在更为细致的层面上探讨个体异质性，并根据不同的政策冲击或实验设计，精准地估计处理效应的变化。
第三部分总结了边际处理效应的优缺点。刘教授认为MTE的核心优势在于它能够捕捉到不同人群不同的处理效应。他指出，当处理效应随着个体的特征（处理倾向p）不同而变化时，MTE能够精确地描述这一变化，并揭示不同群体在政策或干预下的不同反应。例如，在使用传统的二阶段最小二乘法（2SLS）或差分中的差分（DID）模型时，这些方法通常只估计某一特定群体（如受政策影响群体）的平均效应，而MTE则通过对不同倾向得分的加权，能够提供更加细致的结果，从而实现更为精准的政策评估。
MTE的第二个优势是其他处理效应（如ATE、ATT、ATUT等）均可通过MTE估计值的加权平均进行计算（Cornelissen et al.，2016）。这种加权方法的核心思想是，根据个体的倾向得分对不同群体赋予不同的权重，从而避免了传统方法中的偏误。如ATE赋予所有的MTE相同的权重；对于ATT而言，随着个体倾向得分的提高（即个体接受处理概率的增加），其权重也会越高；而对于ATUT而言，随着倾向得分的提高，个体的权重则会降低；LATE同样可以通过MTE的加权平均值进行计算。这种方法能更准确地捕捉到在不同倾向得分下，政策干预效果的异质性。
MTE的第三个优势是它具有良好的外部有效性。他指出，传统的自然实验方法在面对政策变动时，通常难以准确预测即将发生的政策转变对不同群体的影响，而MTE通过对政策相关处理效应（PRTE）的估计，可以有效填补这一空白。通过MTE估计，研究人员可以在现有数据和模型的基础上，预测即将实施的政策对不同群体的具体影响，这一预测能力是传统方法所无法比拟的。
尽管MTE具有诸多优势，其估计过程并非没有挑战。首先，由于根本异质性的存在，对MTE估计结果的解释较为复杂。其次在估计时尤其在非参数估计中，需要较大的共同支撑域。再次，计算工作量大。更重要的是，MTE方法对工具变量的要求极为严格。为了确保估计结果的可靠性，工具变量必须满足条件独立性和排除性约束，这意味着工具变量必须仅通过影响处理变量而影响结果变量，不能直接影响结果变量。这一要求使得MTE方法的应用在某些情境下受到一定限制。
第四部分，
刘教授通过分享其发表在Journal of Human Resources上的最新成果《Fertility Policy Adjustments and Female Labor Supply》进一步给出了边际处理效应的应用示例。刘教授以中国的生育政策为例，讨论了如何利用MTE估计生育对女性劳动供给的影响，识别出生育对女性劳动供给影响的根本异质性。通过将少数民族人口比例作为工具变量，刘教授展示了如何利用MTE框架捕捉到不同群体对生育政策的不同反应。研究发现，生育对女性劳动供给具有显著的负向影响，这种负向影响在教育水平较高的女性（处理阻力较高的群体）中尤为明显。此外，示例文章还模拟了全面二孩政策对女性劳动供给的潜在影响，充分体现MTE估计的外部有效性优势。
第五部分介绍了MTE的发展现状和应用前景。刘教授提到，目前为止应用实证类研究主要还是以传统的自然实验方法为主，但是随着越来越强调政策评估的外部有效性，MTE在国际上的应用呈现逐步增加的趋势。
最后，刘教授回答了学员提出的“模糊断点回归与MTE的关系及应用”等问题。他指出，模糊RD估计的一般还是LATE，二者是否结合使用应视具体的研究问题而定。同时，刘教授提醒学员们，做研究是“问题重要性”与“方法科学性”的结合，“方法前沿性”很重要但并不等于“方法科学性”。之后，陈思丞老师感谢刘生龙老师的精彩发言并做简要总结。至此，本次讲座圆满结束。
