[论文解读] Evaluating the Causal Effect of University Grants on Student Dropout: Evidence from a Regression Discontinuity Design Using Principal Stratification

Fan Li, Alessandra Mattei+1 more|arXiv (Cornell University)|Jul 15, 2015

Advanced Causal Inference Techniques参考文献 7被引用 5

一句话总结

本文在回归不连续性（RD）框架内提出了一种贝叶斯主要群体分层方法，以估计意大利大学奖学金对学生退学的因果影响，同时考虑自愿申请作为中间变量。通过在资格门槛附近进行局部随机化，研究发现奖学金显著降低了低收入学生的退学率，且在各种敏感性分析中结果均具稳健性。

ABSTRACT

Regression discontinuity (RD) designs are often interpreted as local randomized experiments: a RD design can be considered as a randomized experiment for units with a realized value of a so-called forcing variable falling around a pre-fixed threshold. Motivated by the evaluation of Italian university grants, we consider a fuzzy RD design where the receipt of the treatment is based on both eligibility criteria and a voluntary application status. Resting on the fact that grant application and grant receipt statuses are post-assignment (post-eligibility) intermediate variables, we use the principal stratification framework to define causal estimands within the Rubin Causal Model. We propose a probabilistic formulation of the assignment mechanism underlying RD designs, by re-formulating the Stable Unit Treatment Value Assumption (SUTVA) and making an explicit local overlap assumption for a subpopulation around the threshold. A local randomization assumption is invoked instead of more standard continuity assumptions. We also develop a model-based Bayesian approach to select the target subpopulation(s) with adjustment for multiple comparisons, and to draw inference for the target causal estimands in this framework. Applying the method to the data from two Italian universities, we find evidence that university grants are effective in preventing students from low-income families from dropping out of higher education.

研究动机与目标

• 评估大学奖学金对意大利学生退学的因果影响，其中奖学金分配取决于资格条件和自愿申请行为。
• 通过将申请状态建模为分配后的中间变量，解决模糊RD设计中自愿申请行为带来的混杂问题。
• 开发一种基于模型的贝叶斯方法，以选择目标子群体并估计局部随机化下的因果效应，避免依赖连续性假设。
• 通过在不同模型设定下（包括对强迫变量或事前协变量进行条件化）进行敏感性分析，确保结果的稳健性。
• 提供具有政策相关性的证据，以判断奖学金是否能有效防止经济弱势学生在高等教育阶段的退学。

提出的方法

• 在鲁宾因果模型中使用主要群体分层方法，基于潜在申请和获得状态定义因果 estimands。
• 提出一种概率分配机制，重新定义 SUTVA，并在门槛附近引入局部重叠假设。
• 以局部随机化假设替代标准连续性假设，将门槛附近的单位视为随机分配。
• 构建贝叶斯分层模型以估计主要群体概率和潜在结果，同时对子群体选择中的多重比较进行校正。
• 采用马尔可夫链蒙特卡洛（MCMC）方法模拟后验分布，并通过后验预测检查进行模型验证。
• 通过比较在强迫变量、事前协变量或两者均不进行条件化的模型下结果的差异，开展敏感性分析，以检验局部随机化假设的稳健性。

实验结果

研究问题

• RQ1 在意大利，获得大学奖学金是否能降低低收入申请者的退学可能性？
• RQ2 自愿申请行为如何影响标准RD推断的有效性？该问题如何通过因果模型进行建模？
• RQ3 在由申请和获得行为定义的特定主要群体内，奖学金对退学的因果效应是什么？
• RQ4 当局部随机化假设被违反时，因果估计的稳健性如何？
• RQ5 基于贝叶斯模型的方法能否改善具有中间变量的模糊RD设计中的子群体选择与推断？

主要发现

• 研究发现，意大利低收入学生中，大学奖学金显著降低了退学率，证据充分。
• 因果效应估计集中在那些在有资格时会申请但无资格时不会申请的学生主要群体内，准确捕捉了奖学金的真实影响。
• 在多种模型设定下（包括对强迫变量或事前协变量进行条件化）结果均保持稳健，支持了局部随机化假设的可信度。
• 贝叶斯方法成功识别出相关子群体，并在资格门槛附近提供了精确的后验因果效应估计。
• 敏感性分析表明，推断结果不严重依赖于模型细节，进一步强化了局部随机化框架的有效性。
• 研究结果支持将奖学金作为提高高等教育中经济弱势学生留校率的有效政策工具。