很多实证研究可归结于检验某项政策或干预（D）能否达到预期效果（Y）。但通常Y对D的回归只能检验其相关性，回归每数可称为平均预测效应（APE，Average predictive effects）。我们都知道相关并不意味着因果，为何非要探究因果关系呢？这是因为：相关关系是“预测”的基础, 但因果关系才是“决策”的基础。追寻D对Y的因果效应（或处理效应ATE），正是希望通过改变D来改变Y，这是决策而非预测。基于相关的决策可能产生严重误导。例如, 小孩鞋子尺寸与记忆的单词量有很强的正相关性，但通过增加鞋子尺寸显然并不能增加孩子的单词量。有时，相关分析和因果分析甚至会得出完全相反的结论，例如去看医生的概率和一个人的健康状况负相关，这与医生救死扶伤的正向因果关系正好相反。

       STATA的潜在结果（Potential outcomes）与反事实结果（Counterfactualoutcomes）专题基于今年诺贝尔经济学奖得主Card, Angrist, Imbens等的开创性工作，采用STATA官方命令复现今年诺奖的几项主要研究成果，帮助大家掌握以下概念和命令：

（1）在稳定单元处理值假设（SUTVA）、条件期望独立假设（CMI）、重叠假设（Overlap）成立时，用于估计处理效应的命令teffects，其中包括回归（ra）、逆概率加权（ipw）、增强逆概率加权（aipw）、逆概率加权回归（ipwra）、近邻匹配（nnmatch）与倾向值匹配（psmatch）方法，以及针对生存时间的stteffects系列命令和基于机器学习的套索处理（telasso）命令。

（2）当CMI假设不成立时，STATA开发了引入工具变量（IV）或者强化分布假设（如联合正态分布）的内生处理命令eteffects和etregress，扩展回归模型（ERM）中的内生处理命令，采用面板数据估计DID和DDD处理效应的didregress命令。

（3）分布回归（drprocess）可获得反事实分布（Counterfactualdistribution）、分位数处理命令（qrprocess）可估计分位数处理效应（QTE）、以及局部处理效应（LATE）和边际处理效应（MTE）的估计。

（4）中介处理效应命令（paramed）采用RCM框架，在四个条件独立假设之下，可以得到具有因果解释性的直接效应和间接效应估计。

（5）各类检验，包括重叠检验（teffects overlap）,平衡性检验（tebalance）、敏感性分析，平行趋势检验等。

诺奖成果复刻初体验：陈传波老师11月11日学术公开课：

处理效应与政策评估专题

11月11日 19:00-20:00

远程分享+在线Q&A

双11专题直播请联系JG-学术培训闫老师：