[论文解读] Empirical Welfare Maximization with Constraints
本文通过提出两种新的计量经济规则，将经验福利最大化（EWM）方法扩展至程序成本不确定的场景：一种错误控制规则，可确保以高概率满足预算约束；一种权衡规则，可最优平衡收益增益与成本超支。核心贡献在于，在因参与率不完全和个体成本异质性导致的现实预算不确定性下，实现最优资格标准的选择。
Empirical Welfare Maximization (EWM) is a framework that can be used to select welfare program eligibility policies based on data. This paper extends EWM by allowing for uncertainty in estimating the budget needed to implement the selected policy, in addition to its welfare. Due to the additional estimation error, I show there exist no rules that achieve the highest welfare possible while satisfying a budget constraint uniformly over a wide range of DGPs. This differs from the setting without a budget constraint where uniformity is achievable. I propose an alternative trade-off rule and illustrate it with Medicaid expansion, a setting with imperfect take-up and varying program costs.
研究动机与目标
- 为解决现有经验福利最大化（EWM）方法中假设已知项目成本这一缺陷，该假设因参与率不完全和个体需求异质性而并不现实。
- 开发统计规则，以在实施预算未知且必须从实验数据中估计的情况下，选择最优的资格标准。
- 确保所选资格规则在渐近意义上可行（以高概率满足预算约束）且渐近最优（最大化期望福利）。
- 为政策制定者提供两种与不同风险偏好相匹配的决策规则：一种保守型（错误控制），一种更具进取性（权衡）。
- 利用俄勒冈州健康保险实验（OHIE）数据进行实证演示，推导出受预算约束的医疗补助扩张政策。
提出的方法
- 提出错误控制规则，该规则选择能最大化期望收益的资格标准，同时将预算违规概率控制在预设水平α以下。
- 开发权衡规则，该规则对预算违规施加与边际收益增益成比例的惩罚，仅当收益增益足以覆盖超支成本时，才允许选择不可行的资格标准。
- 采用统一渐近框架，建立在广泛数据分布类上的理论性质，确保对模型误设的稳健性。
- 利用收益与成本估计联合分布的正态近似，计算错误控制规则的临界值，依赖于协方差估计量的统一一致性。
- 将方法应用于OHIE数据集，以自报健康状况作为收益代理变量，并通过实验数据估计成本。
- 通过使用对生命年价值（VSLY）的保守估计来校准权衡参数λ，设定λ = 1/(0.6 × 100,000)，基于健康状况改善带来的QALY增益。
实验结果
研究问题
- RQ1当实施成本未知且必须从实验数据中估计时，如何选择福利项目的最优资格标准？
- RQ2哪些统计规则可确保所选资格标准在成本不确定时仍以高概率满足预算约束？
- RQ3如何最优权衡扩大资格范围的期望收益与违反预算约束的成本？
- RQ4在何种条件下，所提出的规则可实现统一渐近可行性与统一渐近最优性？
- RQ5在成本不确定性下，与标准EWM方法相比，所提出的规则在可行性与福利表现方面有何差异？
主要发现
- 错误控制规则确保了统一渐近可行性，即随着样本量增大，其以高概率仅选择可行的资格标准。
- 权衡规则实现了统一渐近最优性，即即使部分资格标准违反预算约束，其仍能选择最大化期望福利的标准。
- 标准EWM方法因假设成本已知，在成本不确定性下无法满足统一渐近可行性或最优性。
- 在OHIE的实证应用中，模拟研究显示权衡规则下的预算违规成本并非不可接受，支持其实际可行性。
- 两种规则的选择应与政策制定者的风险偏好相匹配：错误控制规则适用于财务保守型政策制定者，而权衡规则更适合追求更广泛覆盖的政策制定者。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。