基于马蹄形先验的贝叶斯合成控制方法

《Economic Modelling》:A Bayesian synthetic control method via horseshoe priors

【字体: 大 中 小 】 时间:2026年02月11日 来源:Economic Modelling 5.5

编辑推荐:

  马晓华|高启兵|王军|王明权|朱春华中国江苏省南京市南京师范大学数学科学学院摘要本文提出了一种新的贝叶斯合成控制方法(BSCM),该方法将马蹄形先验与面板交互固定效应模型相结合,用于评估涉及多个处理单元和不同处理时序的政策效果。在贝叶斯面板交互固定效应框架内构建反事实后验分布,并

  马晓华|高启兵|王军|王明权|朱春华中国江苏省南京市南京师范大学数学科学学院摘要本文提出了一种新的贝叶斯合成控制方法(BSCM),该方法将马蹄形先验与面板交互固定效应模型相结合,用于评估涉及多个处理单元和不同处理时序的政策效果。在贝叶斯面板交互固定效应框架内构建反事实后验分布,并通过引入马蹄形先验来应对面板数据中的稀疏性问题。这种新的H-BSCM方法能够有效量化异质性政策效应,同时实现有效的变量选择。我们还探讨了引入层次群体结构的扩展版本。蒙特卡洛模拟表明,H-BSCM在不确定性估计和信号识别方面优于现有方法。不同领域的额外实证应用进一步证明了该方法的适应性。以中国二氧化硫排放交易试点计划为研究对象的分析显示,该政策显著降低了工业领域的二氧化硫排放量,且其效果在不同地区和不同时间存在差异。总体而言,研究结果凸显了所提方法在政策评估中的有效性及实用价值。引言在数字经济时代,评估政策效应已成为政策评估中的核心方法论挑战。由于实证经济分析主要依赖于观测数据,因此建立可靠的因果关系识别仍是当代计量经济学研究中的核心难题。政策评估的目的是量化对社会经济结果的因果影响,通常是通过估算干预后的实际结果与未实施政策时的反事实情景之间的差异来实现的。作为政策评估方法论基础的因果推断方法已被广泛用于评估劳动力市场改革和环境法规等重大干预措施。在这一领域不断发展的方法论进展对于提升公共决策的科学性以及支持基于证据的政策设计至关重要。合成控制方法(SCM)最初由Abadie和Gardeazabal(2003)提出,并在Abadie等人(2010)的研究中得到完善,它为在面板数据环境中估算单个处理单元的处理效应提供了广泛应用的框架。SCM通过控制单元的凸组合构建出一个合成对照组,以近似处理单元干预前的特征。随后,政策效应被定义为处理单元与其合成对照组干预后的结果差异。后续的发展致力于放宽凸组合的限制以提高灵活性。例如,Amjad等人(2018)提出了一种允许使用负权重并通过奇异值阈值法进行去噪的稳健SCM。增强型SCM(Ben-Michael等人,2021)同样允许模型外推,并通过岭回归减少干预前拟合偏差。其他方法还包括Hsiao等人(2012)的面板数据方法,该方法利用横截面相关性通过预测回归来估算反事实结果,同时也允许使用负权重。Xu(2017)提出的广义SCM(Gsynth)则将交互固定效应与插补框架相结合,能够处理不同的采用顺序,并且在样本量相对较小的情况下仍能表现出良好性能,从而进一步拓展了SCM的应用范围。SCM的一个关键局限性在于不确定性量化与统计推断(Li,2020)。由于这些方法通常应用于包含少量单元的比较案例研究,尽管在某些情况下存在渐近结果(Ferman,2021),但大规模假设检验可能并不适用。频率主义方法的不确定性估计通常依赖于排列检验(Abadie等人,2010;Abadie等人,2015)或自举法(Xu,2017;Arkhangelsky等人,2021;Ben-Michael等人,2022),这些方法具有灵活性、计算效率高,且适用于小样本情况。相比之下,贝叶斯分析则通过后验分布直接量化参数的不确定性(Li等人,2023)。贝叶斯SCM利用马尔可夫链蒙特卡洛(MCMC)算法获得处理效应的后验分布,从而得出可信区间,并且能够适应灵活的功能形式。此外,贝叶斯框架通过收缩先验来解决数据稀疏问题并降低模型依赖性,而超参数与结构参数的联合估计则实现了模型选择与推断的同步进行。Kim等人(2020)提出了一种简洁的全贝叶斯合成控制框架,并引入了马蹄形先验和尖峰-平板先验来应对数据稀疏问题。Zhang等人(2025a)通过引入基于惩罚矩先验的贝叶斯模型选择功能对该框架进行了扩展,而Klinenberg(2023)则通过带有贝叶斯收缩机制的状态空间模型引入了随时间变化的参数。这些贝叶斯合成控制方法往往侧重于建模单个处理单元与控制组之间的线性关系。另一种方法是Pang等人(2022)提出的基于动态多层潜在因子模型(DM-LFM)的贝叶斯合成控制框架,该框架采用贝叶斯Lasso正则化技术进行模型搜索和因子选择。DM-LFM通过观测窗口内的所有未处理单元来构建反事实结果,而非直接估算处理单元与控制单元之间的两两关系,而且它能够处理多个处理单元和多个处理时期。然而,贝叶斯Lasso先验可能会过度收缩弱信号,从而导致偏差增加,同时还可能引发MCMC收敛问题并提高计算成本(Kakikawa等人,2023)。在本文中,我们对DM-LFM(Pang等人,2022)进行了三项改进:第一,我们引入马蹄形先验,通过局部-全局收缩机制增强对数据稀疏性的适应性,该机制能够在保持强信号的同时将数据密度集中在零附近。与贝叶斯Lasso相比,马蹄形先验在数据稀疏环境下能更有效地捕捉信号,从而获得更为稳健和准确的估计结果(Polson和Scott,2012)。Li和Pati(2017)进一步研究表明,在高度相关和高维数据中,马蹄形先验的变量选择精度高于贝叶斯Lasso。遵循Pang等人(2022)的方法,我们通过对因子载荷、个体差异系数以及时间变化系数施加马蹄形先验,来估算贝叶斯面板交互固定效应模型。第二,我们采用了Carvalho等人(2010)提出的基于马蹄形先验的变量选择标准,用以识别与反事实结果高度相关的协变量和潜在因子。这一标准对于政策评估尤为重要,因为正如Pang等人(2022)所指出的,潜在因子可能捕捉到与处理分配相关的未被观察到的异质性。我们的方法能够准确区分那些被收缩至零的系数与那些仍被视为有意义信号的系数,同时从观测到的协变量中进行筛选,这对于实证研究具有重要意义。第三,我们开发了一个扩展框架,该框架纳入了层次群体结构,以便在考虑不同群体对潜在动态因子不同反应的情况下估算群体层面的政策效应。我们还在贝叶斯合成控制框架内实现了自适应贝叶斯Lasso变体,作为马蹄形先验之外的另一种用于处理数据稀疏性的局部收缩先验。为了明确区分不同收缩先验的特点,我们在本文余下部分将我们的方法称为H-BSCM(马蹄形先验),而将DM-LFM称为L-BSCM(Lasso先验)。H-BSCM能够预测政策干预后处理单元的反事实结果的后验预测分布,进而得出各种政策效应的后验分布。后验均值被用作点估计值,而贝叶斯95%可信区间(等尾可信区间)则用于量化不确定性。蒙特卡洛模拟结果表明,与贝叶斯方法和频率主义方法相比,H-BSCM在数据稀疏情况下具有更优的性能(Pang等人,2022;Abadie等人,2010;Xu,2017)。在各种情况下,该方法都能实现更低的标准误差、更窄的可信区间、更精确的变量选择,且对模型设定错误的敏感度较低。本文的其余部分结构如下:第2节介绍了基于带马蹄形先验的面板因子模型的贝叶斯SCM。第3节报告了通过模拟研究评估H-BSCM相较于L-BSCM的性能。第4节分为两部分介绍实证应用:一部分是利用1990年至2015年间300个城市的面板数据对中国二氧化硫排放交易试点计划的政策效应进行分析,另一部分则是其他政策评估案例研究。第5节总结了主要研究发现,并探讨了未来研究的方向。附录详细介绍了MCMC算法,并给出了补充的模拟结果。潜在结果设yit表示单位i=1,…,N在时期t=1,…,T的观测结果。令ai表示单位i接受处理的时间,其中ai=c表示属于对照组或从未接受处理的单位。符号c可以视为一个远大于T的数值。如果1≤ai≤T,则单位i属于处理组,其干预前的持续时间为ai?1。设di=(di1,…,diT)为与采用时间ai对应的指示向量,其中dit=1当且仅当t≥ai,1当且仅当t<ai,这是一个指示函数。当一个单位接受处理时模拟研究本节首先描述了模拟数据生成过程。接着,我们使用一个模拟数据集来评估H-BSCM在参数估计和信号识别方面的性能,随后通过对比性蒙特卡洛模拟来评估该方法的有效性和稳健性。实证分析本节将H-BSCM应用于若干实证政策评估场景。我们首先分析了中国二氧化硫排放交易试点计划的减排效果,然后又将该方法应用于其他实证案例研究,以评估其实际应用价值。结论与讨论本文提出了一种适用于具有交互固定效应和异质系数的面板数据环境的、基于马蹄形先验的贝叶斯SCM(H-BSCM)。该框架能够处理多个处理单元和不同的政策采用顺序,为复杂政策环境下的因果推断提供了一种灵活且严谨的方法。通过建模潜在时间变化因子与单位特定载荷之间的多维度相互作用,H-BSCM能够减轻遗漏变量偏差和模型缺陷。CRediT作者贡献声明马晓华:撰写——初稿、可视化、方法论、软件、正式分析。高启兵:撰写——审阅与编辑、方法论、监督、项目管理、概念构思。王军:撰写——初稿、正式分析、数据整理。王明权:撰写——审阅与编辑、可视化。朱春华:撰写——审阅与编辑、监督、项目管理、概念构思。资金支持本研究得到了国家社会科学基金(编号23BTJ065)、江苏省高等教育机构重点学术发展计划(统计学)、南京审计大学统计与金融联合实验室开放项目(2025JLSF325)、长三角社会救助公共服务平台(2025C006)以及江苏省研究生科研实践创新计划(KYCX25_2006)的支持。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢我们衷心感谢共同编辑Angus Chu以及两位匿名副编辑和两位匿名审稿人提出的富有洞察力的意见和建议,这些意见和建议极大地提升了我们论文的质量。马晓华是南京师范大学数学科学学院的统计学研究生,他的研究方向为因果推断和贝叶斯方法,致力于开发可用于计量经济建模和政策评估的统计框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号