Causality in Econometrics: Choice vs Chance¶

作者: Guido W. Imbens
来源: Econometrica
主题: 因果推断
相关性: 8/10
链接: https://doi.org/10.3982/ecta21204

一、领域脉络与小综述¶

这个方向是什么¶

本文讨论的是因果推断（Causal Inference）这个子领域，其根本问题是：如何从观测数据（而非仅从随机实验）中识别和估计一个原因（treatment）对一个结果（outcome）的因果效应。该领域当前已高度成熟，形成了统计学和计量经济学两大传统，并在近二十年中逐渐融合。本文作为一篇综述，旨在梳理这两条脉络的演进，并论证“局部平均处理效应”（LATE）框架是促成融合的关键。

发展脉络（history）¶

Imbens 将因果推断的发展梳理为两条主线，并指出它们在 LATE 框架下汇合。

奠基工作：统计学传统（随机实验）
- Fisher (1925, 1935)：奠定了随机化实验的统计基础，提出了随机化推断（randomization inference）和显著性检验。其核心思想是：通过随机分配处理，使得处理组和对照组在除处理外的所有方面（可观测和不可观测）都是可比的，从而可以直接比较均值差异作为因果效应。
- Neyman (1923, 1935)：提出了潜在结果（potential outcomes）框架，为因果效应提供了数学语言。他定义了单位处理效应（unit-level treatment effect）为 \(Y_i(1) - Y_i(0)\)，并指出在随机实验中，样本平均处理效应（SATE）的估计是无偏的。
- Rubin (1974, 1978)：将潜在结果框架系统化，并推广到非实验（观测）研究中。他提出了“可忽略性”（ignorability）或“无混杂性”（unconfoundedness）假设——即在给定协变量 \(X\) 的条件下，处理分配 \(D\) 与潜在结果 \((Y(0), Y(1))\) 独立。这为在观测数据中应用匹配、加权等方法提供了识别条件。
主要进展：计量经济学传统（选择模型与工具变量）
- Heckman (1979)：关注经济主体（如个人、企业）的最优选择行为。他提出了样本选择模型（sample selection model），将处理分配（如是否参加工作）建模为基于个体效用的最优决策。该模型依赖于对误差项联合正态分布的参数假设，并通过 Heckman 两步法或最大似然估计来校正选择偏差。
- Heckman & Robb (1985, 1986)：在更一般的非参数框架下，讨论了处理效应异质性的识别问题。他们区分了“选择基于可观测变量”（selection on observables）和“选择基于不可观测变量”（selection on unobservables）两种情形，并指出在后者下，传统的工具变量（IV）方法可能无法识别平均处理效应（ATE），而只能识别一个局部效应。
- Angrist & Imbens (1991, 1995)：这是本文的核心贡献。他们提出了局部平均处理效应（LATE） 框架，严格定义了在存在处理效应异质性和非随机选择时，工具变量（IV）方法所识别的因果参数。LATE 是“受鼓励者”（compliers）——即那些其处理状态会随工具变量变化而变化的子群体——的平均处理效应。这一框架的关键假设是单调性（monotonicity）：工具变量对处理状态的影响方向对所有个体都是一致的（即不存在“违抗者”defiers）。
当前 Frontier 与本文位置
- 本文发表于 2010 年，其“当前前沿”部分讨论了异质性处理效应（如分位数处理效应、边际处理效应）、机制分析（mediation analysis）、以及结合实验与观测数据的方法。这些议题至今仍是活跃的研究领域。
- 本文的位置：Imbens 将 LATE 框架定位为促成统计学与计量经济学传统融合的“桥梁”。它用统计学中透明的潜在结果语言，重新表述了计量经济学中复杂的工具变量识别问题，使得不同领域的学者都能理解其假设（特别是单调性）的含义和可检验性。本文是一篇回顾性综述，旨在总结这一融合过程，并展望未来方向。

子线索聚类¶

这些被引文献大致落在三条子线索上：

随机实验与潜在结果框架：以 Fisher、Neyman、Rubin 为代表。核心是设计（随机化）和假设（可忽略性）。方法包括：随机化检验、匹配、逆概率加权（IPW）、双重稳健估计（DR）。
选择模型与结构计量经济学：以 Heckman 为代表。核心是建模经济主体的最优选择行为。方法包括：Heckman 两步法、控制函数（control function）方法、边际处理效应（MTE）框架。其假设通常更强（如参数分布），但能处理更复杂的选择机制。
工具变量与 LATE 框架：以 Angrist & Imbens 为代表。核心是在存在不可观测的异质性时，IV 方法所识别的局部因果效应。关键假设是：排他性（exclusion restriction）、相关性（relevance）、以及单调性。这一线索是本文论述的焦点，也是融合前两条线索的产物。

这个方向在追问的核心问题¶

识别：在给定一组假设下，因果参数（ATE, ATT, LATE, QTE 等）是否可以被观测数据的分布唯一确定？
估计与推断：在识别成立的前提下，如何构造出具有良好有限样本或渐近性质的估计量（如半参数有效估计）？如何进行假设检验和构造置信区间？
敏感性分析：当关键的识别假设（如可忽略性、排他性）可能被违反时，结论的稳健性如何？如何量化违反程度对估计结果的影响？
异质性处理效应：如何刻画和估计处理效应在不同子群体（如按协变量、按处理选择倾向）上的变化？这直接关系到政策建议的针对性。

当前主流方法与已知瓶颈： * 主流方法：倾向得分匹配/加权、双重差分（DID）、工具变量（IV）、断点回归（RDD）、以及它们的结合（如双重稳健 DID）。 * 已知瓶颈： * 假设的不可检验性：核心识别假设（如可忽略性、排他性）通常无法从数据中直接检验，只能依赖领域知识或进行敏感性分析。 * 外部有效性：LATE 框架识别的效应仅适用于 complier 子群体，其结论能否推广到整个群体（或另一个群体）是一个开放问题。 * 高维与复杂数据：当协变量维度很高、或数据具有复杂结构（如网络、时空）时，传统方法面临“维数灾难”或模型误设风险。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

这是作者的说法：作者将 LATE 框架 frame 成“促成融合的关键”，因为它“使关键假设透明且可被多领域学者理解”。作者认为，统计学传统（随机实验）提供了透明性但缺乏对经济选择的建模，而计量经济学传统（选择模型）提供了相关性但假设不透明。LATE 框架通过明确界定 complier 子群体和单调性假设，在两者之间取得了平衡。
被淡化或回避的竞争路线：
- 作者淡化了：Heckman 的 MTE 框架。MTE 框架在更一般的设定下（允许处理效应随不可观测的“选择边际”连续变化）识别了边际处理效应，并可以将其积分得到 ATE 或 ATT。作者承认 MTE 框架“更一般”，但认为其依赖于“更严格的假设”（如对选择方程的分布假设），且“在实证应用中不如 LATE 框架透明”。这实际上是一种策略性选择：强调 LATE 的简洁性和透明性，以突出其作为“桥梁”的优势。
- 作者回避了：对“单调性”假设的深入批评。单调性假设排除了 defiers，这在某些应用中（如鼓励性实验）是合理的，但在其他场景（如强制性的政策变化）可能不成立。作者没有讨论当单调性被违反时，IV 估计量所识别的参数是什么，以及如何放松这一假设。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 值得研究者去查的问题：本文发表于 2010 年，但未引用当时已出现的非参数工具变量（Nonparametric IV） 文献（如 Newey & Powell, 2003; Ai & Chen, 2003）。这些工作探讨了在连续工具变量和连续内生变量下，如何非参数地识别结构函数。这与 LATE 框架（处理变量通常是二元的）形成了互补。作者为何未提及这一路线？可能是因为其技术门槛较高，且与 LATE 框架的“透明性”目标不完全一致。研究者可以查阅这些文献，思考 LATE 框架与非参数 IV 之间的关系。

张力¶

未见明显对立引用。作者构建的叙事是线性的、融合的，而非冲突的。Heckman 和 Angrist-Imbens 之间的差异更多是“一般性 vs. 透明性”的权衡，而非根本性的矛盾。

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：
- \(D_i\)：个体 \(i\) 的处理状态（treatment status），通常为二元变量（\(D_i = 1\) 表示接受处理，\(D_i = 0\) 表示未接受处理）。
- \(Y_i\)：个体 \(i\) 的结果变量（outcome）。
- \(X_i\)：个体 \(i\) 的协变量（covariates），可以是向量。
- \(Z_i\)：个体 \(i\) 的工具变量（instrumental variable），通常为二元变量（\(Z_i = 1\) 表示被鼓励接受处理，\(Z_i = 0\) 表示未被鼓励）。
- \(Y_i(1), Y_i(0)\)：个体 \(i\) 的潜在结果（potential outcomes），分别对应 \(D_i = 1\) 和 \(D_i = 0\) 时的结果。这是不可观测的，因为每个个体只能处于一种处理状态。
- \(D_i(1), D_i(0)\)：个体 \(i\) 的潜在处理状态（potential treatment status），分别对应 \(Z_i = 1\) 和 \(Z_i = 0\) 时个体实际接受的处理。这也是不可观测的，因为每个个体只能面对一种工具变量状态。
- 可观测数据：研究者实际能观测到的是 \((Y_i, D_i, Z_i, X_i)\) 的独立同分布样本，\(i = 1, \dots, N\)。
- 想要但观测不到的量：个体层面的因果效应 \(Y_i(1) - Y_i(0)\)，以及潜在处理状态 \(D_i(1), D_i(0)\)。
模型：
- 数据生成机制由潜在结果和潜在处理状态决定。没有参数模型，这是一个非参数设定。
- 关键假设：
  1. SUTVA (Stable Unit Treatment Value Assumption)：个体之间的潜在结果和潜在处理状态互不影响，且处理状态只有一种版本。
  2. 排他性 (Exclusion Restriction)：工具变量 \(Z_i\) 只通过影响处理状态 \(D_i\) 来影响结果 \(Y_i\)。即 \(Y_i(d, z) = Y_i(d)\) 对所有 \(d, z\) 成立。
  3. 相关性 (Relevance)：工具变量 \(Z_i\) 与处理状态 \(D_i\) 相关。即 \(E[D_i(1) - D_i(0)] \neq 0\)。
  4. 单调性 (Monotonicity)：\(D_i(1) \ge D_i(0)\) 对所有个体 \(i\) 成立。即不存在“违抗者”（defiers），那些在 \(Z=0\) 时接受处理、在 \(Z=1\) 时拒绝处理的个体。
可观测数据：研究者有 \((Y_i, D_i, Z_i)\) 的样本。他们可以计算：
- \(E[Y_i | Z_i = 1] - E[Y_i | Z_i = 0]\)：工具变量对结果的“意向处理效应”（Intention-to-Treat, ITT）估计。
- \(E[D_i | Z_i = 1] - E[D_i | Z_i = 0]\)：工具变量对处理状态的“第一阶段”效应。

第二步：讲最小内核¶

最简特例：假设处理变量 \(D_i\) 和工具变量 \(Z_i\) 都是二元的，且没有协变量 \(X_i\)。这是 LATE 框架的经典设定。

核心思路：在存在处理效应异质性（即 \(Y_i(1) - Y_i(0)\) 因人而异）且个体可以基于其潜在收益选择处理状态时，传统的 IV 估计量（即 Wald 估计量）不再估计整个群体的平均处理效应（ATE），而是估计一个局部效应。

数学推导： 1. 定义子群体：根据个体的潜在处理状态 \((D_i(1), D_i(0))\)，可以将所有个体分为四类： * Always-takers：\(D_i(1) = 1, D_i(0) = 1\)。无论是否被鼓励，都接受处理。 * Never-takers：\(D_i(1) = 0, D_i(0) = 0\)。无论是否被鼓励，都不接受处理。 * Compliers：\(D_i(1) = 1, D_i(0) = 0\)。只在被鼓励时才接受处理。这是 LATE 框架关注的核心群体。 * Defiers：\(D_i(1) = 0, D_i(0) = 1\)。只在未被鼓励时才接受处理。单调性假设排除了这一群体。

Wald 估计量的分解：经典的 Wald 估计量是：
\[\hat{\beta}_{IV} = \frac{E[Y_i | Z_i = 1] - E[Y_i | Z_i = 0]}{E[D_i | Z_i = 1] - E[D_i | Z_i = 0]}\]
在排他性和单调性假设下，可以证明：
\[\hat{\beta}_{IV} \xrightarrow{p} E[Y_i(1) - Y_i(0) | \text{Complier}]\]
即，Wald 估计量收敛到compliers 子群体的平均处理效应，这就是局部平均处理效应（LATE）。
为什么是这个结果？
- 分子 \(E[Y_i | Z_i = 1] - E[Y_i | Z_i = 0]\) 是 ITT 效应。它等于：
  - Always-takers 的效应（0，因为他们的处理状态不变）+
  - Never-takers 的效应（0，因为他们的处理状态不变）+
  - Compliers 的效应（\(E[Y_i(1) - Y_i(0) | \text{Complier}] \times P(\text{Complier})\)）+
  - Defiers 的效应（被单调性假设排除）。
- 分母 \(E[D_i | Z_i = 1] - E[D_i | Z_i = 0]\) 是“第一阶段”效应，它恰好等于 \(P(\text{Complier})\)，因为只有 compliers 的处理状态会随 \(Z\) 变化。
- 因此，Wald 估计量 = (Complier 的效应 × Complier 的比例) / (Complier 的比例) = Complier 的效应。

这个最小内核说明了什么？ * 识别：在给定假设下，LATE 是可识别的，因为它完全由可观测数据的分布决定。 * 局限性：LATE 只回答了“对受工具变量影响的子群体，因果效应是什么？”这个问题。它不一定能推广到整个群体（ATE）或其他子群体（如 always-takers）。这就是“局部”的含义。 * 透明性：LATE 框架迫使研究者明确回答：“我的工具变量影响了谁？”（compliers）以及“我假设不存在什么样的人？”（defiers）。这使得 IV 方法的假设变得透明且可讨论。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文系统回顾了统计学和计量经济学中因果推断方法的两条发展脉络，并论证了局部平均处理效应（LATE）框架是如何促成这两条脉络的融合的。
核心工具/方法：核心工具是潜在结果框架和 LATE 框架，特别是对工具变量（IV）方法在存在处理效应异质性时的识别结果的重新解释。
主要结论：LATE 框架通过明确界定 complier 子群体和单调性假设，使 IV 方法的假设变得透明且可检验，从而在统计学（强调随机化与透明性）和计量经济学（强调经济选择与相关性）之间架起了桥梁。未来因果推断的发展应继续追求这种透明性与相关性的结合。

关键设定与假设¶

本文作为综述，不提出新的设定或假设，而是梳理和比较了已有文献中的关键假设。在第二节的最小内核基础上，本文完整讨论了以下假设：

随机化假设 (Randomization)：在实验研究中，处理分配 \(D\) 独立于潜在结果 \((Y(0), Y(1))\)。这是统计学传统的基石。
可忽略性 (Ignorability) / 无混杂性 (Unconfoundedness)：在观测研究中，给定协变量 \(X\)，处理分配 \(D\) 与潜在结果 \((Y(0), Y(1))\) 独立。这是匹配、加权等方法的基础。
排他性 (Exclusion Restriction)：工具变量 \(Z\) 只通过处理 \(D\) 影响结果 \(Y\)。这是 IV 方法的核心假设。
单调性 (Monotonicity)：\(D_i(1) \ge D_i(0)\) 对所有 \(i\) 成立。这是 LATE 框架的关键，它排除了 defiers，使得 Wald 估计量可以解释为 compliers 的 LATE。
选择模型假设 (Selection Model Assumptions)：在 Heckman 的传统中，处理分配被建模为基于个体效用的最优选择，通常依赖于对误差项分布（如联合正态）的参数假设。

相比已有文献的强化或放宽： * 放宽：LATE 框架放宽了传统 IV 方法中“处理效应是常数”的隐含假设。它允许处理效应因人而异（异质性），并明确指出 IV 估计量估计的是异质性群体中的一个特定子集（compliers）的平均效应。 * 强化：LATE 框架强化了单调性假设。在传统 IV 文献中，单调性通常不被明确讨论。LATE 框架将其作为核心假设之一，使其透明化。

主要结果¶

本文是综述，没有提出新的定理。其主要“结果”是对已有文献的梳理和论证，可以概括为以下几点：

LATE 框架的识别结果：在排他性、相关性和单调性假设下，Wald 估计量识别的是 compliers 的 LATE。这是本文的核心论点，也是 Angrist & Imbens (1991, 1995) 的经典结果。
融合的论证：作者通过对比统计学传统（随机实验）和计量经济学传统（选择模型），论证了 LATE 框架如何融合两者：
- 它采用了统计学中透明的潜在结果语言。
- 它承认并建模了计量经济学中关注的经济主体最优选择行为（通过工具变量）。
- 它通过明确界定 complier 子群体，解决了选择模型和 IV 方法在异质性处理效应下的模糊性。
前沿方向的讨论：作者讨论了几个前沿方向，并指出它们如何延续“透明性与相关性结合”的主题：
- 异质性处理效应：如分位数处理效应（QTE）和边际处理效应（MTE），它们提供了比单一 LATE 更丰富的异质性信息。
- 机制分析 (Mediation Analysis)：探讨处理如何通过中间变量影响结果，这需要额外的假设（如顺序可忽略性）。
- 结合实验与观测数据：利用实验数据（如随机化鼓励）来校准或外推观测数据中的估计结果，以提高外部有效性。

证明路线与技术技巧¶

本文是综述，不包含证明。其“论证路线”是历史叙事和逻辑推理，而非数学证明。

整体路线：
1. 确立两条传统：分别介绍统计学（Fisher, Neyman, Rubin）和计量经济学（Heckman）的因果推断方法，强调其各自的优势（透明性 vs. 相关性）和局限。
2. 提出融合点：指出 Angrist & Imbens 的 LATE 框架是关键的融合点。它用潜在结果语言重新表述了 IV 方法，使得其假设（特别是单调性）变得透明。
3. 论证 LATE 的贡献：通过对比 LATE 框架与 Heckman 的选择模型，论证 LATE 在保持相关性的同时，极大地提升了透明性。
4. 展望未来：讨论在 LATE 框架之后，因果推断如何继续沿着“透明性与相关性结合”的方向发展。

真实例子与应用¶

本文没有提供新的真实数据例子。但它大量引用了已有的实证研究来支持其论点，例如： * Angrist (1990)：利用越南战争征兵抽签（作为工具变量）来估计服兵役对后续收入的影响。这是 LATE 框架的经典应用。抽签是工具变量 \(Z\)，服兵役是处理 \(D\)，收入是结果 \(Y\)。Compliers 是那些因为抽中签才去服役、没抽中就不去的人。LATE 估计的是这群“受抽签影响”的人的平均因果效应。 * Angrist & Krueger (1991)：利用出生季度作为工具变量，估计受教育年限对收入的影响。其逻辑是，出生季度影响入学年龄和义务教育法规定的退学年龄，从而影响受教育年限（第一阶段），但出生季度本身不应直接影响收入（排他性）。Compliers 是那些因为出生季度不同而受教育年限不同的人。

这些例子被用来说明 LATE 框架的实用性：它提供了一个清晰的、可解释的因果参数，并且其假设（如单调性）在这些具体场景下是合理的。

🔎 结论是否比证明窄¶

本文是综述，其结论（LATE 框架是融合的关键）是基于对已有文献的解读和论证，而非严格的数学证明。因此，不存在“证明比结论窄”的问题。但需要注意： * 作者声称：LATE 框架“促成”了融合。这是一个历史判断，而非数学定理。它依赖于作者对“融合”的定义和对文献的选择性解读。其他学者（如 Heckman）可能认为 MTE 框架才是更根本的融合。 * 作者声称：LATE 框架的假设是“透明且可检验的”。实际上，单调性假设在大多数应用中是无法直接检验的，只能通过领域知识或对工具变量的理解来论证其合理性。排他性假设同样无法检验。因此，“可检验”可能被高估。

四、开放问题¶

放松单调性假设：当单调性假设被违反（即存在 defiers）时，Wald 估计量所识别的参数是什么？能否在放松单调性的同时，仍然得到一个有意义的因果解释？扎根点：本文对单调性假设的讨论（第 3 节），以及作者承认“在有些应用中单调性可能不成立”。
LATE 的外部有效性：如何将 complier 的 LATE 推广到整个群体（ATE）或其他子群体（如 always-takers）？这需要额外的假设（如处理效应的可交换性）或利用其他数据源（如实验数据）。扎根点：本文第 4 节对“外部有效性”的讨论，以及作者指出“LATE 的局限性在于它只适用于 compliers”。
高维工具变量与 LATE：当存在多个工具变量或连续工具变量时，LATE 框架如何推广？是否存在一个类似于“加权平均的 LATE”的识别结果？这与非参数 IV 文献有何联系？扎根点：本文未讨论高维或连续工具变量的情况，这为后续研究留下了空间。研究者可以结合自己熟悉的 high-dimensional statistics 知识，思考在高维 IV 设定下 LATE 的识别与估计问题。
LATE 与 Proximal Causal Inference (PCI) 的关系：PCI 利用“代理变量”（proxies）来处理不可观测的混杂因素。LATE 框架中的工具变量 \(Z\) 是否可以被视为一种特殊的代理变量？两者在识别假设和估计方法上有何异同？扎根点：本文未提及 PCI，但研究者可以将其作为连接自己已有知识（PCI）和本文内容（LATE）的桥梁，思考两者之间的理论联系。

Maintained by 陈星宇 · Homepage · Source on GitHub