[论文解读] Identification of Program Access Effects with an Application to Head Start

Vishal Kamat|arXiv (Cornell University)|Jan 1, 2017

Gender, Labor, and Family Dynamics被引用 4

一句话总结

本文提出了一种非参数的多处理选择模型，用于在合规性不佳且实际参与数据不完整的情况下，估计项目参与对因果效应的影响。应用于《高瞻项目影响研究》时，发现获得高瞻项目参与资格可提高儿童的测试成绩，尤其在无其他学前教育选择时效果更显著；即使在扣除净成本后，长期收入增长仍可能超过项目成本。

ABSTRACT

Many experiments randomly assign individuals to either a treatment group with access to a program or a control group without such access. I study what we can learn about the average effects of providing access to the program given data from such experiments when individuals do not comply with their assigned status and when the data may only provide partial information on the receipt of program access across individuals. I propose a new nonparametric multiple treatment selection model that provides a general setup to define a range of parameters evaluating the effects of program access and to exploit the partial information the data may provide on where access was received. I illustrate how a computational procedure can be used to learn about these parameters in this model. Using the developed framework, I analyze the effects of providing access to the Head Start preschool program given data from the Head Start Impact Study. I find that providing access to Head Start can have positive effects on test scores and that these effects can negatively depend on whether access to an alternative preschool was available. In addition, I find that the earning benefits associated with the test score gains can outweigh the net costs for various policies providing access to Head Start.

研究动机与目标

• 解决在个体未遵守随机分配且实际参与数据不完整时，估计项目参与效应的挑战。
• 开发一种通用的非参数框架，用于定义并识别一系列衡量提供项目参与影响的参数。
• 利用参与情况的部分信息，提升非合现实验中的因果推断能力。
• 将该模型应用于《高瞻项目影响研究》的真实世界数据，评估具有政策相关性的结果。

提出的方法

• 提出一种非参数的多处理选择模型，允许存在多种潜在参与状态，并考虑参与行为中的未观测异质性。
• 利用随机分配作为工具变量，即使实际参与未完全观测，也能识别参与的影响。
• 引入一种计算程序，利用可获得的参与情况部分信息，估计处理效应的边界。
• 在非参数框架内定义一系列估计量，如不同子群体中参与的平均效应。
• 将模型应用于《高瞻项目影响研究》的数据，利用实验设计分离参与的因果效应。
• 使用敏感性分析和边界估计，量化因参与数据不完整而导致的效应估计不确定性。

实验结果

研究问题

• RQ1 在非合规且实际参与数据不完整的情况下，提供高瞻项目参与资格对儿童测试成绩的平均效应是什么？
• RQ2 存在其他学前教育选择时，如何调节高瞻项目参与对儿童结果的影响？
• RQ3 高瞻项目参与带来的测试成绩提升所引发的长期收入收益，在多大程度上超过扩大参与的净成本？
• RQ4 当实验数据中实际参与情况仅部分可观测时，参与效应的合理范围是什么？
• RQ5 如何利用具有多个处理状态的非参数模型，在非合规情况下识别并估计参与效应？

主要发现

• 提供高瞻项目参与资格对儿童测试成绩具有统计上显著的正面影响，尤其在阅读和数学评估中表现明显。
• 当儿童可获得其他学前教育项目时，高瞻项目参与的正面影响减弱，表明存在替代效应。
• 高瞻项目参与带来的测试成绩提升幅度足够大，可产生长期收入收益，超过在各种政策情景下扩大参与的净成本。
• 该模型的计算程序成功利用实际参与情况的部分信息，识别出参与效应的边界，增强了非合规实验中的因果推断能力。
• 结果表明，扩大高瞻项目参与的政策具有成本效益，若同时考虑学业与劳动力市场结果，长期收益将超过项目成本。