Identification and Estimation in Many‐to‐One Two‐Sided Matching Without Transfers¶

作者: YingHua He, Shruti Sinha, Xiaoting Sun
来源: Econometrica
主题: 经济理论 / 应用
相关性: 7/10
机构绿灯: Rice University（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在“多对一、无转移支付”的双边匹配市场（典型例子是大学招生：一个学生只能去一所学校，一所学校可以录取多个学生，且学校和学生之间没有金钱或可转移效用）中，仅凭观察到的单一市场的匹配结果（谁去了哪所学校），能否非参数地识别出双方（学生和学校）的偏好？ 这是一个典型的“结构估计”问题，其根本困难在于：观察到的匹配是双方偏好与市场均衡机制共同作用的结果，而研究者只能看到最终匹配，看不到背后的偏好排序和未被选择的选项。该子方向当前处于“从参数/半参数模型向非参数识别过渡”的阶段，本文是第一个在“多对一、无转移支付”设定下证明非参数可识别性的工作。

发展脉络（history）¶

奠基工作（1980s-2000s）：理论匹配模型与机制设计 - Roth (1984)：以美国医疗住院医师匹配为案例，用博弈论分析了稳定匹配市场的运作，奠定了“稳定匹配”作为实证分析基础的概念。 - Abdulkadiroğlu & Sönmez (2003)：将机制设计引入学校选择问题，提出了“学校选择问题”的机制设计框架，开启了后续大量实证研究。 - Roth & Sotomayor (1992)：系统总结了双边匹配理论，其中指出如果学校的偏好不是“responsive”（响应性的），稳定匹配可能不存在——这一理论结果直接影响了本文对学校偏好结构的假设。

主要进展（2000s-2010s）：参数/半参数估计与识别 - Choo & Siow (2006) 和 Fox (2010, 2018)：在一对一、可转移效用（TU）的婚姻匹配模型中，利用“稳定匹配最大化总剩余”的性质，实现了参数识别。这是匹配模型实证研究的里程碑，但其方法依赖于TU和一对一的特殊结构。 - Agarwal (2015)：在多对一匹配（医疗住院医师匹配）中，利用“垂直偏好限制”（一方偏好由单一维度决定）和稳定匹配，识别了双方偏好。这是本文最直接的先驱，但Agarwal的识别依赖于“医院对住院医师的偏好是垂直的（所有医院对住院医师的排序一致）”这一强假设。 - Fack, Grenet & He (2019)：在集中式学校选择（巴黎）中，提出“稳定性”比“真实报告”更弱的假设，用于估计学生偏好。但他们的方法假设学校偏好由已知的优先指数（如考试成绩）完全决定，即学校偏好是已知的，不需要估计。 - Diamond & Agarwal (2017)：在一对一匹配中，发现当一方有多个匹配伙伴时（多对一），模型可以非参数识别——这为本文提供了关键的理论线索。

当前frontier（2010s-2020s）：非参数识别与复杂市场 - Matzkin (2019)：在非参数、不可分离的离散选择模型中，利用排除变量（excluded variables）构造性地识别了效用函数的导数。本文直接引用了这一技术。 - Agarwal & Somaini (2022)：在存在潜在选择约束（如供给方配给）的随机效用模型中，证明了非参数识别需要两类工具变量——一类影响偏好，一类影响选择集。本文的识别策略借鉴了这种“排除限制”思路。 - Galichon, Kominers & Weber (2019)：提出了“不完全可转移效用”（ITU）匹配模型，统一了TU和NTU框架，但他们的模型仍假设了特定的参数形式。

本文的位置：本文是第一个在“多对一、无转移支付”（NTU）设定下，不依赖垂直偏好假设、不依赖已知优先指数，仅利用排除限制条件，证明双方偏好非参数可识别的工作。它填补了从“一对一TU”到“多对一NTU”之间的识别理论空白。

子线索聚类¶

可转移效用（TU）匹配模型：Choo & Siow (2006), Fox (2010, 2018), Galichon & Salanié (2015), Gualdani & Sinha (2023)。核心假设是匹配双方可以自由转移效用（如婚姻中的收入共享），识别通常利用“稳定匹配等价于最大化总剩余”这一性质。本文指出，这些方法不能直接用于NTU设定。
无转移效用（NTU）匹配模型：Agarwal (2015), Fack et al. (2019), Aue et al. (2020), He & Magnac (2022)。核心假设是匹配双方不能转移效用（如学校不能向学生收费），识别通常依赖更强的结构假设（如垂直偏好、已知优先指数）。本文属于这一线索，但去掉了这些强假设。
离散选择与考虑集模型：Matzkin (2019), Agarwal & Somaini (2022), Cattaneo et al. (2020), Barseghyan et al. (2021a,b)。这些模型研究在存在选择约束（如供给方配给、有限考虑集）时的偏好识别，其排除限制策略与本文直接相关。
机制设计与实证：Abdulkadiroğlu & Sönmez (2003), Pathak (2011), Calsamiglia et al. (2020), Grenet et al. (2022)。这些工作关注机制设计本身，但本文利用其理论结果（如稳定匹配的存在性、DA机制的性质）来支撑识别假设。

这个方向在追问的核心问题¶

识别问题：在仅观察到单一市场匹配结果的情况下，能否非参数地识别双方偏好？需要什么假设？
估计问题：给定识别条件，如何构造可行的估计量？计算上是否可行？
反事实分析：识别出的偏好能否用于评估政策变化（如平权政策、学校合并）的福利效应？
市场结构的影响：市场是集中式（如DA机制）还是分散式（如自主招生），对识别和估计有何影响？

当前主流方法与已知瓶颈：主流方法是参数/半参数模型（如logit），其识别依赖于分布假设。已知瓶颈是：在NTU多对一设定下，非参数识别被认为非常困难，甚至不可能（因为稳定匹配条件提供的约束不足）。本文声称突破了这一瓶颈。

⚠️ 作者的framing¶

作者把缺口frame成什么：作者声称，已有文献（Agarwal, 2015; Fack et al., 2019）在多对一NTU匹配中实现了识别，但依赖于“垂直偏好”或“已知优先指数”等强假设。本文的贡献是：在更弱的假设下（排除限制条件），首次证明了非参数可识别性。作者将本文定位为“从参数/半参数到非参数”的跨越。

哪些竞争路线被他淡化或回避了： - 可转移效用（TU）模型：作者在引言中承认“一对一TU模型与多对一NTU模型有密切关系”，但强调“NTU模型需要不同的识别策略”。实际上，TU模型中的“总剩余最大化”性质在NTU中不成立，这是根本困难，作者没有深入讨论这一困难是否可被某种变换克服。 - 参数贝叶斯方法：作者在模拟中使用了参数贝叶斯方法（Gibbs采样），并发现它“在实际规模问题中表现良好”。但作者没有讨论：如果非参数识别成立，为什么还需要参数方法？参数假设是否与“非参数识别”的声称矛盾？作者的处理是：非参数识别提供了理论基础，但实际估计仍可借助参数假设来提高效率。

什么明显该被引/该存在、却没出现在intro里？ - 高维统计/正则化方法：本文的识别条件涉及对矩阵秩的检验（引用了Chen & Fang, 2019），但未讨论当矩阵接近低秩但非严格低秩时的正则化估计问题。对于熟悉高维统计的研究者，这是一个明显的缺口。 - 半参数效率理论：本文没有讨论估计量的半参数效率界。给定非参数识别，一个自然的问题是：是否存在一个达到半参数效率界的估计量？作者在模拟中比较了多种估计量，但没有从理论上分析哪个是最优的。

张力¶

未见明显对立引用。所有被引工作基本一致地认为：在多对一NTU设定下，非参数识别需要强假设。本文声称在更弱假设下实现了识别，但这更像是“填补空白”而非“推翻已有结论”。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - 市场：一个单一市场，包含一组学生 \(S\) 和一组学校 \(C\)。学生数量 \(|S|\) 和学校数量 \(|C|\) 都是有限的。 - 学生偏好：每个学生 \(s \in S\) 对学校有一个严格的偏好排序 \(\succ_s\)，定义在 \(C \cup \{\emptyset\}\) 上（\(\emptyset\) 表示“不被录取”）。偏好由随机效用模型决定：学生 \(s\) 选择学校 \(c\) 的效用为 \(u_{sc} = u(z_s, w_c, \epsilon_{sc})\)，其中 \(z_s\) 是学生可观测特征，\(w_c\) 是学校可观测特征，\(\epsilon_{sc}\) 是学生-学校匹配的不可观测异质性。 - 学校偏好：每个学校 \(c \in C\) 对学生有一个严格的偏好排序 \(\succ_c\)，定义在 \(S \cup \{\emptyset\}\) 上。学校 \(c\) 对学生 \(s\) 的“效用”为 \(v_{cs} = v(w_c, z_s, \eta_{cs})\)，其中 \(\eta_{cs}\) 是学校-学生匹配的不可观测异质性。学校有容量限制 \(q_c\)（最多录取 \(q_c\) 个学生）。 - 稳定匹配：一个匹配 \(\mu: S \to C \cup \{\emptyset\}\) 是稳定的，如果不存在一个学生-学校对 \((s, c)\) 使得：学生 \(s\) 偏好学校 \(c\) 胜过其当前匹配 \(\mu(s)\)，且学校 \(c\) 偏好学生 \(s\) 胜过其当前匹配中的至少一个学生（即学校有空位或愿意替换）。 - 可观测数据：研究者观测到：每个学生 \(s\) 的可观测特征 \(z_s\)，每个学校 \(c\) 的可观测特征 \(w_c\)，以及最终的匹配结果 \(\mu(s)\)（即每个学生去了哪所学校，或未被录取）。不可观测的是：学生的效用函数 \(u\)、学校的效用函数 \(v\)、以及所有不可观测异质性 \(\epsilon_{sc}, \eta_{cs}\)。 - 参数/estimand：目标是识别效用函数的导数（边际效应），例如 \(\frac{\partial u_{sc}}{\partial z_s}\) 和 \(\frac{\partial v_{cs}}{\partial w_c}\)，以及它们在人群中的分布。

模型： - 数据生成机制：市场中的学生和学校根据各自的偏好，通过某种机制（集中式如DA，或分散式如自主招生）形成一个稳定匹配。研究者假设观察到的匹配是稳定的。 - 效用函数形式：本文考虑一个可分离的随机效用模型： - 学生效用：\(u_{sc} = u_c(z_s) + \epsilon_{sc}\)，其中 \(u_c(z_s)\) 是学生特征 \(z_s\) 对学校 \(c\) 的“平均吸引力”，\(\epsilon_{sc}\) 是独立同分布的极值I型误差（logit假设）。 - 学校效用：\(v_{cs} = v_s(w_c) + \eta_{cs}\)，其中 \(v_s(w_c)\) 是学校特征 \(w_c\) 对学生 \(s\) 的“平均吸引力”，\(\eta_{cs}\) 是独立同分布的极值I型误差。 - 关键假设：存在排除变量（excluded variables）：某些学生特征 \(z_s\) 只影响学生偏好，不影响学校偏好（反之亦然）。例如，学生的家庭收入可能影响其对学校的偏好，但不影响学校对学生的评价（在公立学校招生中，学校不能因收入歧视）。

可观测数据： - 研究者观测到：\(\{z_s, w_c, \mu(s)\}_{s \in S, c \in C}\)。 - 想要但观测不到：学生的完整偏好排序 \(\succ_s\)、学校的完整偏好排序 \(\succ_c\)、不可观测异质性 \(\epsilon_{sc}, \eta_{cs}\)、以及未被选择的选项的效用。

第二步：讲最小内核¶

最简特例：假设只有两所学校（\(C = \{A, B\}\)）和大量学生。每所学校有容量 \(q_A, q_B\)。学生特征 \(z_s\) 是一维的（例如，考试成绩），学校特征 \(w_c\) 也是一维的（例如，学校质量排名）。排除限制：学生的考试成绩 \(z_s\) 影响学生对学校的偏好（高分学生更偏好好学校），但不影响学校对学生的偏好（学校只关心学生的其他特征，如面试表现，而面试表现与考试成绩无关）。相反，学校质量 \(w_c\) 影响学校对学生的偏好（好学校更挑剔），但不影响学生对学校的偏好（学生只关心距离，而距离与学校质量无关）。

在这个特例下，要证的命题是：仅凭观察到的匹配结果（谁去了哪所学校），可以非参数地识别出学生效用函数 \(u_c(z_s)\) 和学校效用函数 \(v_s(w_c)\) 的导数（即边际效应）。

证明思路（最小内核）： 1. 利用稳定匹配条件：稳定匹配意味着，对于任何被学校 \(A\) 录取的学生 \(s\) 和被学校 \(B\) 录取的学生 \(s'\)，不能同时存在 \(s\) 偏好 \(B\) 胜过 \(A\) 且 \(B\) 偏好 \(s\) 胜过 \(s'\)。这给出了一个不等式约束。 2. 利用排除限制：由于 \(z_s\) 不影响学校偏好，学校对学生的排序完全由 \(w_c\) 和 \(\eta_{cs}\) 决定。因此，在给定 \(w_c\) 的条件下，学校对学生的排序是随机的（由 \(\eta_{cs}\) 驱动），但独立于 \(z_s\)。这意味着，在给定学校特征 \(w_c\) 的条件下，学生被某所学校录取的概率只取决于其 \(z_s\) 通过学生效用函数 \(u_c(z_s)\) 的影响。 3. 构造识别方程：考虑两个学生 \(s\) 和 \(s'\)，他们的特征 \(z_s\) 和 \(z_{s'}\) 不同。通过比较他们被同一所学校录取的概率，可以识别出 \(u_c(z_s) - u_c(z_{s'})\) 的相对大小。具体地，利用logit假设，录取概率之比的对数等于效用之差。 4. 变化 \(z_s\) 识别导数：通过观察 \(z_s\) 的连续变化如何影响录取概率，可以识别出 \(\frac{\partial u_c}{\partial z_s}\)。类似地，利用对称的排除限制（\(w_c\) 不影响学生偏好），可以识别出 \(\frac{\partial v_s}{\partial w_c}\)。

为什么这个特例抓住了核心困难：在多对一匹配中，一个学生只能去一所学校，但一所学校可以录取多个学生。这意味着，学校的决策是“选择一组学生”，而不是“选择一个学生”。这导致稳定匹配条件比一对一匹配更复杂（涉及学校内部的排序和容量约束）。本文的核心技术贡献是：将多对一匹配的稳定条件转化为一系列可观测的矩条件，并利用排除限制将这些矩条件与偏好参数联系起来。在两所学校、一维特征的特例下，这一转化是直观的：稳定匹配等价于存在一个“阈值”\(t_A\)（由学校 \(A\) 的容量和竞争决定），使得所有 \(u_A(z_s) - u_B(z_s) > t_A\) 的学生去 \(A\)，其余去 \(B\)。识别就变成了从观察到的阈值行为中恢复效用函数。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在多对一、无转移支付的双边匹配市场（如大学招生）中，假设观察到的匹配是稳定的，利用排除限制条件，在单一市场数据下证明了双方偏好的非参数可识别性。
核心工具/方法：将稳定匹配条件转化为可观测的矩条件，利用排除变量（影响一方偏好但不影响另一方的变量）来解耦双方偏好，并构造了基于这些矩条件的估计量（包括参数贝叶斯Gibbs采样和直接矩估计）。
主要结论：在排除限制条件下，学生和学校效用函数的导数（边际效应）是非参数可识别的；蒙特卡洛模拟表明，参数贝叶斯方法（Gibbs采样）在现实规模问题中表现良好；智利学校招生数据的实证分析验证了方法的可行性，并展示了平权政策的反事实评估。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）： - 市场结构：一个单一市场，包含 \(S\) 个学生和 \(C\) 所学校。每所学校 \(c\) 有容量 \(q_c\)。学生可以不被录取（外部选项 \(\emptyset\)）。 - 偏好结构： - 学生 \(s\) 对学校 \(c\) 的效用：\(u_{sc} = u_c(z_s) + \epsilon_{sc}\)，其中 \(\epsilon_{sc}\) 是独立同分布的极值I型误差（logit）。 - 学校 \(c\) 对学生 \(s\) 的效用：\(v_{cs} = v_s(w_c) + \eta_{cs}\)，其中 \(\eta_{cs}\) 是独立同分布的极值I型误差（logit）。 - 关键：\(u_c(\cdot)\) 和 \(v_s(\cdot)\) 是未知的非参数函数，本文的目标是识别它们的导数。 - 稳定匹配假设：观察到的匹配 \(\mu\) 是稳定的，即不存在一个学生-学校对 \((s, c)\) 使得 \(u_{sc} > u_{s,\mu(s)}\) 且 \(v_{cs} > \min_{s' \in \mu^{-1}(c)} v_{cs'}\)（学校有空位或愿意替换）。 - 排除限制条件（Condition 3.1）：存在一个学生特征 \(z_i\)（下标 \(i\) 表示第 \(i\) 个维度），使得 \(\frac{\partial v_{cs}}{\partial z_i} = 0\) 对所有 \(c, s\) 成立（即该特征不影响学校偏好）。类似地，存在一个学校特征 \(w_j\)，使得 \(\frac{\partial u_{sc}}{\partial w_j} = 0\) 对所有 \(s, c\) 成立。 - 变化性条件（Condition 3.2-3.3）：排除变量有足够的变异，使得效用函数的导数可以被唯一确定。具体地，需要某些矩阵满秩（如 \(z_i\) 的变化能独立地影响不同学校的效用）。

相比已有文献的放宽/强化： - 放宽：相比Agarwal (2015) 的垂直偏好假设，本文允许学校偏好是任意的（只要满足排除限制）。相比Fack et al. (2019) 的已知优先指数，本文不需要学校偏好是已知的。 - 强化：本文假设了logit形式的不可观测异质性（极值I型分布），而Agarwal (2015) 允许更一般的分布。作者声称logit假设可以放松，但未在本文中证明。

主要结果¶

定理1（非参数识别）：在假设3.1-3.3（排除限制+变化性）下，学生效用函数 \(u_c(z_s)\) 的导数 \(\frac{\partial u_c}{\partial z_i}\) 和学校效用函数 \(v_s(w_c)\) 的导数 \(\frac{\partial v_s}{\partial w_j}\) 是非参数可识别的。 - 直觉：排除限制将双方偏好解耦。例如，\(z_i\) 只影响学生偏好，因此 \(z_i\) 的变化如何改变匹配概率，完全反映了学生偏好的变化，而不受学校偏好变化的影响。通过观察 \(z_i\) 变化时匹配概率的变化，可以识别出 \(\frac{\partial u_c}{\partial z_i}\)。 - 必要条件：排除变量必须有足够的变异（变化性条件），且logit假设成立。 - 解决的技术难点：在多对一匹配中，稳定匹配条件涉及学校内部的排序和容量约束，不能直接简化为“阈值规则”。本文通过将稳定匹配条件转化为一系列“成对比较”的矩条件，绕过了这一困难。

定理2（估计量的构造）：基于识别条件，可以构造一个矩估计量（method of moments estimator），其一致性在标准正则条件下成立。 - 具体地，对于每一对学生 \((s, s')\) 和学校 \(c\)，稳定匹配条件给出了一个不等式约束。通过将这些不等式转化为等式（利用logit假设），可以得到矩条件。 - 作者没有给出矩估计量的渐近分布，而是转向了模拟和贝叶斯方法。

模拟结果： - 比较了四种估计量：① 直接矩估计（从识别条件构造）、② 最大似然估计（MLE）、③ 参数贝叶斯（Gibbs采样）、④ 两步法（先估计学生偏好，再估计学校偏好）。 - 核心发现：参数贝叶斯方法（Gibbs采样）在现实规模问题（\(|S| \approx 1000, |C| \approx 50\)）中表现最好——偏差小、均方误差低、计算可行。直接矩估计虽然理论上一致，但在有限样本中方差很大。MLE在模型正确时最优，但对初始值敏感。 - 为什么贝叶斯方法好：Gibbs采样利用了logit模型的共轭先验（正态-逆Wishart），可以高效地从后验分布中采样。同时，贝叶斯方法自然地处理了参数不确定性，不需要渐近近似。

证明路线与技术技巧¶

整体路线（以识别定理1为例）： 1. 步骤1：将稳定匹配条件转化为可观测的矩条件。利用logit假设，学生 \(s\) 被学校 \(c\) 录取的概率可以写成 \(P(\mu(s) = c | z_s, w_c) = \frac{\exp(u_c(z_s) + \lambda_c)}{\sum_{c'} \exp(u_{c'}(z_s) + \lambda_{c'})}\)，其中 \(\lambda_c\) 是学校 \(c\) 的“市场清空参数”（反映竞争程度）。类似地，学校 \(c\) 录取学生 \(s\) 的概率可以写成类似形式。 2. 步骤2：利用排除限制解耦。由于 \(z_i\) 不影响学校偏好，\(\lambda_c\) 不依赖于 \(z_i\)。因此，\(z_i\) 的变化只通过 \(u_c(z_s)\) 影响匹配概率。通过比较不同 \(z_i\) 值下的匹配概率，可以识别出 \(u_c(z_s)\) 的导数。 3. 步骤3：构造识别方程。考虑两个学生 \(s\) 和 \(s'\)，他们的 \(z_i\) 不同但其他特征相同。匹配概率之比的对数等于 \(u_c(z_s) - u_c(z_{s'})\)。通过变化 \(z_i\)，可以恢复出 \(u_c(\cdot)\) 的整个函数（至多一个常数）。 4. 步骤4：对称地识别学校偏好。利用排除变量 \(w_j\)（不影响学生偏好），类似地识别 \(v_s(w_c)\) 的导数。

关键跳跃点： - 从稳定匹配到logit概率：在多对一匹配中，稳定匹配条件并不直接给出一个封闭形式的概率表达式（不像一对一匹配中的“总剩余最大化”性质）。本文的关键跳跃是：假设logit误差后，稳定匹配等价于一个“随机效用最大化”问题，其中每个学生选择效用最高的学校，但学校的“效用”受到容量约束的调整。这一等价性需要证明，作者引用了McFadden (1974) 和 Berry et al. (1995) 的结果。 - 市场清空参数 \(\lambda_c\) 的处理：\(\lambda_c\) 是内生变量（由市场均衡决定），不能直接观测。本文的第二个关键跳跃是：利用排除限制，\(\lambda_c\) 可以被“差分掉”。具体地，通过比较同一学校在不同 \(z_i\) 值下的录取概率，\(\lambda_c\) 作为公共项被消去。

技术技巧点名： - logit模型与极值I型分布：用于将离散选择概率写成封闭形式（softmax函数）。这是整个识别策略的基础。 - 排除限制（exclusion restrictions）：核心识别策略，类似于工具变量方法。本文将其从线性IV推广到非参数非线性模型。 - 矩阵秩检验：在验证变化性条件（Condition 3.3）时，需要检验某个矩阵的秩。作者引用了Chen & Fang (2019) 的秩检验方法。 - Gibbs采样：用于参数贝叶斯估计。利用了logit模型的共轭先验（正态分布），通过数据增广（data augmentation）将logit模型转化为潜变量模型，从而可以高效采样。

真实例子与应用¶

数据：智利公立和私立学校的分散招生数据（decentralized admissions）。智利在2008年之前，学校招生是分散的——每所学校独立招生，学生可以申请多所学校，最终匹配由学校决定。数据包含约10万名学生和2000所学校，观测到每个学生的最终录取学校及其特征（如考试成绩、家庭收入、性别），以及学校的特征（如类型、位置、学费）。

如何应用本文方法： 1. 设定排除变量：作者选择“学生家庭收入”作为影响学生偏好但不影响学校偏好的变量（在智利，公立学校不能因收入歧视）；选择“学校是否位于农村”作为影响学校偏好但不影响学生偏好的变量（农村学校更愿意录取本地学生，但学生可能不介意地理位置）。 2. 估计：使用参数贝叶斯方法（Gibbs采样），假设学生和学校的效用函数是线性的（\(u_c(z_s) = \beta_c' z_s\)，\(v_s(w_c) = \gamma_s' w_c\)），并设定扩散先验。 3. 结果：估计出学生和学校偏好的参数。例如，发现学生偏好高考试成绩的学校，而学校偏好高考试成绩的学生（但家庭收入的影响不显著，验证了排除限制的合理性）。

反事实分析：评估一项平权政策——为低收入家庭学生提供额外的录取名额。作者模拟了政策实施后的新稳定匹配，并比较了政策前后的学生福利和学校福利。发现政策显著提高了低收入学生的录取率，但对高收入学生的福利影响很小。

这个例子想说明什么： - 验证理论：展示排除限制在真实数据中是可操作的（家庭收入确实不影响学校偏好）。 - 展示相对baseline的优势：相比假设“学校偏好由考试成绩完全决定”的简化模型，本文方法发现了更丰富的学校偏好模式（如农村学校偏好本地学生）。 - 实际应用价值：反事实分析为政策制定提供了量化依据。

🔎 结论是否比证明窄¶

窄的地方：定理1声称“非参数识别”，但证明依赖于logit假设（极值I型分布）。作者在脚注中承认“logit假设可以放松，但需要更复杂的论证”，但本文没有给出放松后的识别结果。因此，“非参数”实际上是指效用函数 \(u_c(\cdot)\) 和 \(v_s(\cdot)\) 的形式是非参数的，但误差分布是参数化的。严格来说，这是“半参数”而非“非参数”识别。
泛泛claim的地方：作者在引言中声称“我们的方法适用于任何稳定匹配市场”，但证明中假设了市场是“大的”（学生数量趋于无穷），且匹配是“唯一的”。在有限市场中，识别可能不成立（因为稳定匹配可能不唯一）。作者在模拟中使用了有限市场，但没有从理论上证明有限市场下的识别。
conjecture：作者在结论中推测“排除限制条件可以进一步放松”，但没有给出具体方向或证据。

四、开放问题¶

放松logit假设：本文的识别依赖于极值I型误差分布（logit）。能否在更一般的误差分布（如正态分布、或完全非参数分布）下实现识别？这需要新的识别策略，因为logit的封闭形式概率是本文推导矩条件的关键。扎根于：定理1的证明中明确使用了logit假设（方程(10)-(12)）。
有限市场下的识别：本文的渐近论证假设市场大小趋于无穷。在有限市场（如一个城市只有几所学校）中，稳定匹配可能不唯一，识别是否仍然成立？扎根于：作者在模拟中使用了有限市场，但未给出理论保证（第4节）。
多个市场的联合估计：本文只考虑单一市场。如果有多个独立的市场（如不同城市的招生），能否利用跨市场的变化来提高识别效率或放松排除限制？扎根于：结论部分（第6节）提到“将方法扩展到多个市场是未来工作”。
半参数效率界：给定本文的识别条件，是否存在一个达到半参数效率界的估计量？本文的贝叶斯方法在模拟中表现良好，但缺乏理论上的最优性保证。扎根于：作者在模拟中比较了多种估计量，但没有从理论上分析哪个是最优的（第5节）。

提醒：要确认第1条是否是真gap，建议去读Matzkin (2019) 和 Agarwal & Somaini (2022) 的引言——如果它们也依赖logit假设，则这是该子领域的共识性困难；如果它们有更一般的非参数识别结果，则本文的logit假设是一个可被挑战的弱点。

Maintained by 陈星宇 · Homepage · Source on GitHub