[论文解读] Identification with Latent Choice Sets: The Case of the Head Start Impact Study

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

Early Childhood Education and Development被引用 3

一句话总结

本文提出一个非参数模型，以在处理选择集存在未观测异质性的情况下识别项目效应，并将其应用于《开端计划影响研究》。通过线性规划，构建了政策相关参数的可识别集合，发现若获得准入机会，相当大比例的儿童会自愿参加开端计划，且在多种政策情景下均显示出显著的短期测试成绩提升。

ABSTRACT

This paper studies identification of program effects in settings with latent choice sets. Here, by latent choice sets, I mean the unobserved heterogeneity that arises when the choice set from which the agent selects treatment is heterogeneous and unobserved by the researcher. The analysis is developed in the context of the Head Start Impact Study, a social experiment designed to evaluate preschools as part of Head Start, the largest early childhood education program in the United States. In this setting, resource constraints limit preschool slots to only a few eligible children through an assignment mechanism that is not observed in the data, which in turn introduces unobserved heterogeneity in the child's choice set of care settings. I propose a nonparametric model that explicitly accounts for latent choice sets in the care setting enrollment decision. In this model, I study various parameters that evaluate Head Start in terms of policies that mandate enrollment and also those that allow voluntary enrollment into Head Start. I show that the identified set for these parameters given the information provided by the study and by various institutional details of the setting can be constructed using a linear programming method. Applying the developed analysis, I find that a significant proportion of children voluntarily enroll into Head Start if provided access and that Head Start is effective in terms of improving short-term test scores across multiple policy dimensions.

研究动机与目标

• 解决在处理选择集未被观测且个体间异质时的项目评估识别挑战。
• 建模由于数据中未记录的资源受限分配机制而产生的照护环境选择集的未观测异质性。
• 使用非参数方法评估在强制和自愿入学政策下开端计划的有效性。
• 基于开端计划影响研究的可观测数据和制度细节，构建政策相关参数的可识别集合。
• 为存在潜在选择集的场景提供因果推断框架，适用于访问受限的社会项目。

提出的方法

• 提出一个非参数结构模型，以考虑处理选择集中的未观测异质性。
• 结合开端计划分配过程的制度细节，以指导潜在选择集的结构构建。
• 使用线性规划在部分识别下构建政策相关参数的可识别集合。
• 刻画与观测数据和制度约束一致的参数集合。
• 运用显现偏好逻辑，从入学模式和分配规则推断潜在选择集。
• 将该模型应用于开端计划影响研究，以估计在不同入学政策下治疗效应的边界。

实验结果

研究问题

• RQ1 在未观测选择集的情况下，给定自愿入学政策，开端计划平均治疗效应的可识别集合是什么？
• RQ2 当政策强制所有符合条件的儿童入学时，开端计划影响的可识别集合如何变化？
• RQ3 基于观测数据和制度约束，有多少比例的儿童会自愿选择开端计划？
• RQ4 控制名额分配的不同制度规则如何影响在存在潜在选择集时治疗效应的识别？
• RQ5 在不同政策假设下，短期测试成绩治疗效应的可能范围是什么？

主要发现

• 相当大比例的符合条件儿童若获得准入机会将自愿参加开端计划，表明需求强劲。
• 在包括强制和自愿入学在内的多种政策情景下，开端计划均对短期测试成绩产生积极影响。
• 治疗效应的可识别集合非退化，表明尽管存在未观测的选择集异质性，仍具有有意义的识别能力。
• 线性规划方法成功利用现有数据和制度细节，构建了政策相关参数的紧边界。
• 该模型揭示，访问的制度约束显著影响治疗效应的解释，必须显式建模。
• 结果表明，开端计划不仅在强制入学下有效，即使在自愿准入下也具有显著的积极成果潜力。