Stochastic Potential Choices and Outcomes¶

作者: Aureo de Paula, Elie Tamer
主题: 经济理论 / 应用
相关性: 8/10
链接: https://arxiv.org/abs/2607.21413

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是工具变量（IV）框架下，个体层面处理选择与潜在结果的随机化建模。其根本问题是：当个体在面对同一决策情境时，其选择并非确定不变，而是服从一个概率分布时，经典IV估计量的因果解释（如LATE）会发生什么变化？该方向的核心张力在于：传统的确定性潜在结果框架（每个个体有固定的处理状态和结果）虽然简洁有力，但可能过于“决定论”，无法容纳现实中观察到的个体选择随机性（如对同一问卷给出非0/100%的概率）。本文试图在保留IV识别框架的同时，将这种随机性纳入模型，并重新审视熟悉估计量的含义。

发展脉络¶

奠基工作：确定性潜在结果与LATE框架
- Neyman (1923) / Rubin (1974)：奠定了确定性潜在结果框架的基础，将每个个体的潜在结果视为固定数值。这是整个因果推断领域的基石。
- Imbens & Angrist (1994) / Angrist et al. (1996)：在IV设定下引入LATE（局部平均处理效应）概念，将Wald估计量解释为“依从者”（compliers）的平均处理效应。这一解释依赖于确定性的处理选择（Di(z) ∈ {0,1}）和单调性假设（Di(z') ≥ Di(z)）。这是本文要挑战和推广的核心基准。
主要进展：随机化推广与替代框架
- 随机潜在结果：Greenland (1987); Robins & Greenland (1989, 2000); VanderWeele & Robins (2012) 在统计学和流行病学中提出了随机潜在结果的概念，允许干预对个体产生一个分布而非单一固定值。本文引用它们作为其“随机化”思路的直接先驱。
- 决策理论因果推断：Dawid (2000, 2021) 提出了基于决策理论的因果推断框架，强调“制度”（regimes）或“决策设定”，以及信息在不同设定间传递的条件。本文引用它作为另一种不依赖确定性潜在结果的替代框架。
- 概率因果论：Cartwright (1979, 1989) 从哲学角度提出，原因是通过提高结果概率来发挥作用的，但需要在一个同质的背景条件下。本文引用它来为自己的“类型特定概率”概念提供哲学基础，并强调其概率是结构性的因果倾向，而非观察到的关联。
- 经济学中的随机选择：Abbring & van den Berg (2003) 在持续期模型中使用了随机潜在结果框架。Strzalecki (2025) 的专著系统总结了随机选择理论，为个体选择随机性提供了行为经济学和心理学证据。
当前前沿与本文位置
- 对LATE解释的批判与细化：Heckman et al. (2006) 提出了“本质异质性”（essential heterogeneity）模型，指出当个体基于其异质性收益进行选择时，IV估计量不再对应一个简单的MTE函数。Blandhol et al. (2022) 和 Śloczyński (2023) 指出，在包含协变量的线性IV规范中，TSLS估计量可能对条件LATE施加负权重，从而失去LATE解释。本文引用了这些工作，将其作为自己“权重问题”讨论的起点。
- 主观期望数据：Arcidiacono et al. (2020) 和 Briggs et al. (2024) 使用调查数据中的主观期望（如选择概率、预期收益）来识别处理效应。本文引用它们作为其“随机选择概率”可以直接从数据中获取的证据，并指出其模型中的 pi(z) 正是这类数据所对应的对象。
- 本文的位置：本文站在上述工作的交汇点上。它不是提出新的估计量，而是重新解释现有估计量（Wald, 2SLS）。它统一了确定性LATE（作为其退化特例）和随机潜在结果框架，并明确了在随机选择下，IV估计量的权重由个体处理概率的变化量（pi(z') - pi(z)）决定，而非离散的依从者亚群。它进一步为这种随机权重提供了基于信息的经济学基础（第6节），将单调性失败与信息精炼（如决策辅助）联系起来。

子线索聚类¶

确定性LATE及其推广：以 Imbens & Angrist (1994) 为核心，包括 Angrist et al. (1996), Blandhol et al. (2022), Śloczyński (2023)。这一簇关注在确定性处理选择下，IV估计量何时、以及如何被解释为LATE，并探讨了协变量、多值工具变量等复杂情况下的权重问题。
随机潜在结果与概率因果：以 VanderWeele & Robins (2012), Dawid (2000, 2021), Cartwright (1979, 1989) 为代表。这一簇从不同角度（统计、决策理论、哲学）挑战了确定性框架，主张将随机性视为个体层面的基本特征。
本质异质性与MTE：以 Heckman et al. (2006), Heckman & Vytlacil (2005) 为代表。这一簇强调个体基于其异质性收益进行选择，并发展出边际处理效应（MTE）框架来刻画这种异质性。本文与这一簇关系密切，但指出其模型是本文更一般框架的一个特例（当选择由单一标量“阻力”决定时）。
主观期望数据与识别：以 Arcidiacono et al. (2020), Briggs et al. (2024), Blass et al. (2010) 为代表。这一簇利用调查数据中的主观概率来直接测量个体的选择倾向，为随机选择模型提供了实证基础。

核心问题与瓶颈¶

核心问题1：当个体选择是随机的（pi(z) ∈ (0,1)）时，Wald估计量（E[Y|Z=z'] - E[Y|Z=z] / E[D|Z=z'] - E[D|Z=z]）识别的是什么？
核心问题2：在随机选择下，单调性假设的随机化类比是什么？它何时成立，何时不成立？
核心问题3：2SLS等更复杂的IV估计量在随机选择下的权重结构是什么？它是否仍然具有“平均处理效应”的解释？
已知瓶颈：确定性LATE框架无法容纳个体选择的随机性，其“依从者”分类在概率选择下失效。本质异质性模型虽然允许异质性，但其选择机制（单一标量阻力）仍比本文的随机类型（pi(z) 是一个函数）更严格。

⚠️ 作者的 framing¶

作者的缺口框架：作者将缺口框架为“确定性潜在结果框架的‘决定论’（或‘宿命论’）色彩过于强烈，无法适应许多实证场景（如提醒、补贴、默认规则、决策辅助等），在这些场景中，稳定的对象是处理概率而非确定状态”。因此，本文的“显然的下一步”是：将确定性模型推广到随机模型，并重新解释熟悉估计量的含义。
被淡化或回避的竞争路线：
- MTE框架：作者在第6.1节中明确讨论了与MTE的关系，但将其定位为本文模型的一个特例（当选择由单一标量“阻力”和共同指数决定时）。作者淡化了MTE框架的丰富性（如可以估计整个MTE曲线），而强调其模型允许更一般的、个体特异性的标准化边际（ti(z)）。
- 决策理论因果推断：作者引用了Dawid的工作，但并未深入比较其与本文框架的异同。Dawid的框架不依赖潜在结果，而本文仍保留了潜在结果（尽管是随机的）。这是一个值得研究者去查的张力。
什么明显该被引/该存在、却没出现在intro里？
- 半参数效率理论：本文完全未讨论其设定下的半参数效率界或有效估计量。对于一个熟悉效率理论的研究者来说，这是一个明显的缺口：在随机潜在结果下，Wald估计量是否仍然半参数有效？其有效影响函数是什么？这可能是未来工作的一个自然方向。
- 敏感性分析：本文的识别依赖于状态独立性（Assumption 2）和排除限制（Assumption 3）。但未讨论这些假设被违反时的敏感性分析方法。在确定性IV中，这是一个活跃的研究领域。

张力¶

未见明显对立引用。被引工作之间更多是互补或递进关系：确定性LATE是基准，随机化/MTE/决策理论是不同方向的推广，而本文试图在一个统一框架下重新解释它们。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号：
- i: 个体索引。
- Yi ∈ ℝ: 可观测的结果变量。
- Di ∈ {0, 1}: 可观测的处理状态（1=接受处理，0=未接受）。
- Zi ∈ 𝒵: 可观测的“状态”或工具变量。在IV应用中，Zi 是工具变量。
- Xi ∈ 𝒳: 可观测的协变量向量。
- Gi: 个体的潜在“响应类型”（latent response type）。这是一个稳定、不可观测的随机变量，包含了个体所有因果相关的信息。
- pi(z) = Pr(Di(z)=1 | Gi): 处理选择核。给定类型 Gi 和状态 z 下，个体接受处理的概率。这是本文的核心新对象。Di(z) 是潜在处理状态。
- Qi(· | d, z): 结果核。给定类型 Gi、处理状态 d 和状态 z 下，潜在结果 Yi(d, z) 的概率分布。
- µi(d, z) = ∫ y Qi(dy | d, z): 给定类型 Gi、处理 d 和状态 z 下的平均潜在结果。
- mi(z) = (1-pi(z))µi(0, z) + pi(z)µi(1, z): 给定类型 Gi 和状态 z 下的平均结果（对处理选择的随机性取平均）。
- ri(z', z) = pi(z') - pi(z): 个体响应度。状态从 z 变为 z' 时，个体处理概率的变化量。这是随机化版本的“切换指示器”。
- ∆i = µi(1) - µi(0): 个体平均处理效应（在排除限制下，µi(d, z) = µi(d)）。
- θ(z', z): Wald估计量对应的总体目标参数。
模型：
- 数据生成机制：每个个体 i 有一个稳定的随机类型 Gi。给定 Gi 和状态 z，处理状态 Di 是一个伯努利随机变量，成功概率为 pi(z)。给定 Gi、处理 d 和状态 z，结果 Yi 从分布 Qi(·|d, z) 中抽取。观测到的数据是 (Yi, Di, Zi)，其中 Di = Di(Zi)，Yi = Yi(Di(Zi), Zi)。
- 关键假设：
  1. 类型内无残差结果选择 (Assumption 1)：E[Yi(d, z) | Gi, Di(z)=d] = µi(d, z)。即，在给定类型 Gi 下，处理选择的实现（Di(z)=d）不提供关于潜在结果均值的额外信息。这允许跨类型的选择，但禁止了类型内的残差选择。
  2. 状态独立性 (Assumption 2)：Zi ⟂ Gi（或给定 Xi 下独立）。这是工具变量独立性的类比。
  3. 排除限制 (Assumption 3)：Qi(· | d, z) = Qi(· | d)，即 µi(d, z) = µi(d)。状态 z 仅通过影响处理选择 Di 来影响结果，没有直接影响。
可观测数据：
- 研究者能观测到的是 (Yi, Di, Zi, Xi) 的独立同分布样本。
- 不可观测的是个体的潜在类型 Gi，以及由此衍生的 pi(z)、Qi(·|d, z)、µi(d, z) 等。所有关于这些潜在量的推断都必须通过假设和可观测数据的矩条件来进行。

第二步：讲最小内核——二元IV特例¶

本文的核心思路可以用一个二元IV（Zi ∈ {0, 1}） 的最简特例完全讲清楚。在这个特例下，所有一般性设定都退化为一个清晰、可比的框架。

最简特例设定：
- Zi ∈ {0, 1}，是随机分配的二元工具变量（无条件状态独立性成立）。
- 排除限制成立：µi(d, z) = µi(d)。
- 类型内无残差选择成立。
- 核心对象：每个个体 i 有两个处理概率：pi(1) 和 pi(0)。响应度为 ri = pi(1) - pi(0)。
- 可观测数据：(Yi, Di, Zi)。
要回答的问题：Wald估计量 β_W = (E[Y|Z=1] - E[Y|Z=0]) / (E[D|Z=1] - E[D|Z=0]) 识别的是什么？
推导过程（核心思路）：
1. 简化形式 (Reduced Form)：E[Y|Z=1] - E[Y|Z=0]。在假设下，E[Y|Z=z] = E[mi(z)]，其中 mi(z) = µi(0) + pi(z)∆i。因此，简化形式 = E[mi(1) - mi(0)] = E[∆i (pi(1) - pi(0))] = E[∆i ri]。
2. 第一阶段 (First Stage)：E[D|Z=1] - E[D|Z=0]。在假设下，E[D|Z=z] = E[pi(z)]。因此，第一阶段 = E[pi(1) - pi(0)] = E[ri]。
3. Wald估计量： β_W = E[∆i ri] / E[ri]。
结论与解释（核心思路）：
- Wald估计量识别的是个体平均处理效应 ∆i 的加权平均，权重正比于个体的响应度 ri。
- 嵌套确定性LATE：如果 pi(z) ∈ {0, 1} 且 pi(1) ≥ pi(0)（单调性），则 ri ∈ {0, 1}。ri=1 的个体就是“依从者”。此时 β_W = E[∆i | ri=1]，即经典LATE。
- 随机单调性：如果 ri ≥ 0 对所有 i 成立（即 pi(1) ≥ pi(0)），则权重非负，β_W 是一个凸加权平均，落在 ∆i 的最小值和最大值之间。
- 符号变化的响应度：如果 ri 可正可负，则 β_W 不再是凸加权平均，可能落在 ∆i 的范围之外，只是一个“有符号的对比”（signed contrast）。
这个最小内核说明了什么：这篇论文在数学上干了一件非常简单但深刻的事：将确定性IV中离散的“依从者指示器” 1{Di(1) > Di(0)} 替换为连续的“概率响应度” pi(1) - pi(0)。这个替换直接改变了Wald估计量的解释：它不再识别一个离散子群的平均效应，而是识别一个由概率变化加权的平均效应。所有后续的推广（多值工具变量、2SLS、信息基础）都是在这个核心替换上进行的“加壳”。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在个体处理选择和潜在结果均为随机的设定下，重新解释经典IV估计量（Wald, 2SLS）的因果含义。
核心工具/方法：引入“随机响应类型”（stochastic response type）作为稳定个体特征，包含处理选择概率核 pi(z) 和潜在结果分布核 Qi(·|d, z)，并推导出Wald估计量识别的是个体处理效应 ∆i 的加权平均，权重为个体响应度 ri(z', z) = pi(z') - pi(z)。
主要结论：① 确定性LATE是本文模型的一个退化特例（当 pi(z) ∈ {0,1} 时）。② 在随机单调性（ri ≥ 0）下，Wald估计量是凸加权平均；否则仅为有符号对比。③ 2SLS的权重取决于第一阶段规范，而非仅工具变量有效性。④ 为随机选择提供了基于信息的经济学基础，并指出信息精炼类干预会自然导致单调性失败（双向响应度）。

关键设定与假设¶

在第二节最小记号的基础上，补充完整设定：

随机响应类型 (Definition 1)：Gi 包含两个核：处理选择核 pi(d|z) 和结果核 Qi(A|d, z)。协变量 Xi 也被包含在 Gi 中。这是本文最核心的定义，将个体异质性完全编码在 Gi 中。
类型内无残差结果选择 (Assumption 1)：E[Yi(d, z) | Gi, Di(z)=d] = µi(d, z)。相比已有文献：在确定性框架中，此假设自动成立（因为给定类型后无残差）。在随机框架中，它保证了类型内处理选择的实现与潜在结果均值无关，是推导 mi(z) 为简单混合形式的关键。它比完全独立性（Yi(d,z) ⟂ Di(z) | Gi）弱，只要求均值独立。
状态独立性 (Assumption 2)：Zi ⟂ Gi 或 Zi ⟂ Gi | Xi。相比已有文献：这是标准IV独立性的直接类比，但对象从确定性潜在变量 {Di(z), Yi(d,z)} 推广到了随机类型 Gi。
排除限制 (Assumption 3)：Qi(· | d, z) = Qi(· | d)。相比已有文献：与标准IV排除限制完全相同，但作用于分布核而非固定值。
线性条件期望 (Section 4.3)：L[Bi | Xi] = E[Bi | Xi]。这是一个技术性假设，用于简化2SLS权重的推导。它要求用于第一阶段回归的基函数 Bi 的条件期望是线性的。这在 Xi 离散或使用饱和交互项时自动满足。

主要结果¶

结果1：简化形式作为状态因果效应 (Proposition 1)。在Assumptions 1和2下，E[Y|Z=z] = E[mi(z)]，因此简化形式 CY(z', z) 识别的是改变状态（而非处理）的因果效应 Ψ(z', z)。不需要排除限制。这为ITT效应提供了直接解释。
结果2：Wald估计量的权重解释 (Equation 3, Section 4.2)。在Assumptions 1-3下，二元Wald估计量 β_W = E[∆i ri] / E[ri]。这是全文最核心的公式。它解决了“Wald估计量在随机选择下识别什么”这一核心问题。
结果3：平均解释与单向响应度的等价性 (Proposition 2)。Wald估计量 θ(z', z) 保证落在个体处理效应 [∆, ∆̄] 区间内的充要条件是响应度 ri(z', z) 几乎必然具有单一符号。这严格刻画了随机单调性的作用：它保证了凸加权平均的解释。
结果4：2SLS的权重结构 (Section 4.3)。在给定假设下，2SLS估计量 β_2SLS = E[∆i κ_i^{2SLS}] / E[κ_i^{2SLS}]，其中 κ_i^{2SLS} = E[D_i^{fs} pi(Zi) | Gi, Xi]。这推广了二元结果，表明2SLS的权重由个体处理概率与第一阶段拟合值 D_i^{fs} 的条件协方差决定，因此依赖于第一阶段规范。
结果5：信息精炼导致双向响应度 (Proposition 3)。在基于信息的随机选择模型中，如果状态改变的是感知误差的精度（σi(z)），则响应度 ṗi(z) 的符号与个体系统性边际 Mi 的符号相同。因此，只要存在 Mi>0 和 Mi<0 的个体，响应度就会双向变化，违反随机单调性。

证明路线与技术技巧¶

本文主要为概念性和推导性论文，而非技术性证明论文。其“证明”主要是代数推导和逻辑论证。

整体路线：
1. 定义模型：定义随机响应类型 Gi 及其核 pi(z) 和 Qi(·|d, z)。
2. 施加假设：依次施加Assumptions 1-3。
3. 推导可观测矩：在假设下，将可观测的条件期望 E[Y|Z=z] 和 E[D|Z=z] 表达为潜在类型 Gi 的函数的期望。
4. 构造估计量目标：将Wald/2SLS估计量的概率极限（即总体目标参数）表达为这些可观测矩的比率。
5. 代入并化简：将第3步的表达式代入第4步的比率，得到目标参数关于 ∆i 和 ri（或 κ_i^{2SLS}）的表达式。
6. 解释：分析该表达式的性质（如是否为凸加权平均），并与确定性LATE特例进行比较。
关键跳跃点：
- 从确定性到随机性的跳跃：将 Di(z) 从确定性函数变为伯努利随机变量，其参数 pi(z) 成为新的稳定个体特征。这是概念上的核心跳跃。
- 从离散依从者到连续权重的跳跃：将Wald估计量的解释从“依从者平均效应”跳跃到“响应度加权平均效应”。这个跳跃是通过简单的代数替换 E[∆i * 1{complier}] → E[∆i * (pi(1)-pi(0))] 完成的，但其解释力是深刻的。
- 从Wald到2SLS的跳跃：将二元IV的简单权重公式推广到多值/连续工具变量和协变量存在的情况。这个跳跃需要引入线性投影和Frisch-Waugh-Lovell定理，并定义 κ_i^{2SLS} 作为个体对第一阶段贡献的度量。这是技术上最复杂的部分，但核心思想（权重由处理概率与第一阶段拟合值的协方差决定）是清晰的。
技术技巧点名：
- 线性投影 / Frisch-Waugh-Lovell定理：用于在2SLS推导中分离出协变量的影响，并定义残差化的第一阶段拟合值 D_i^{fs}。
- 阈值交叉模型 (Threshold-crossing model)：用于为随机选择提供微观经济学基础（第6节）。将处理选择建模为 Di(z) = 1{ Mi(z) + σi(z)εi ≥ 0 }。
- 位置-尺度族 (Location-scale family)：用于参数化感知误差的分布，并区分状态影响选择的两个渠道：位置移动（Ṁi(z)）和精度变化（σ̇i(z)）。

真实例子与应用¶

本文为纯理论论文，无实证例子。它没有使用任何真实数据或模拟实验来验证其理论。其“例子”是概念性的，如“提醒使注册更可能但不确定”、“补贴将某人的参与率从20%提高到50%”等，用于说明其模型的动机。

🔎 结论是否比证明窄¶

结论与证明基本匹配。本文的结论（Wald/2SLS是加权平均，权重由概率变化决定）是直接从其假设和定义推导出来的，没有超出证明范围。
潜在的不匹配点：
- 第6节的信息基础：作者在第6节中为随机选择提供了一个基于信息的行为模型，并推导了局部响应度 ṗi(z) 的表达式。然而，本文并未证明，在更一般的非参数设定下（即不假设位置-尺度族），Wald估计量的权重是否仍然可以分解为“边际密度”和“机制载荷”的乘积。第6节的结论是在特定参数化模型下成立的，但作者在结论中将其作为对“权重”的一般性解释。这是一个值得注意的窄化。
- 2SLS权重的符号：作者在Section 4.3中推导了 κ_i^{2SLS}，并指出其符号可能为负。但作者并未给出 κ_i^{2SLS} 为负的充分条件，也未证明在什么条件下它一定是非负的（除了二元IV的退化情况）。这为后续研究留下了空间。

四、开放问题¶

半参数效率界与有效估计：在本文的随机潜在结果设定下，Wald估计量是否仍然是半参数有效的？其有效影响函数是什么？是否存在比Wald更有效的估计量？扎根点：本文完全未讨论效率理论。这是一个自然的后续问题，尤其对于熟悉效率理论的研究者。
动态与面板数据模型：本文的静态等价性（Appendix A）在动态或面板设定下会失效。当存在重复选择、序列相关冲击时，随机选择模型会带来哪些新的识别和估计挑战？扎根点：结论部分明确提到“extending the analysis to dynamic and panel settings... is a natural next step”。
非参数识别与检验：本文的识别依赖于强参数假设（如位置-尺度族）来推导信息基础。能否在更弱的非参数假设下识别 pi(z) 或 ri(z', z) 的分布？能否设计出检验“随机单调性”（ri ≥ 0）的统计方法？扎根点：第6节的模型是参数化的。第5节对单调性的讨论是概念性的，未涉及检验。
与MTE框架的深度融合：本文指出其模型比MTE更一般，但未给出一个类似于MTE的、可估计的“边际处理效应”函数。能否在本文的随机类型设定下，定义一个类似于MTE的对象，并研究其识别和估计？扎根点：第6.1节讨论了与MTE的关系，但将其定位为特例。一个更深入的问题是：当 pi(z) 是任意函数时，是否存在一个类似于 E[Y1 - Y0 | UD = u] 的、能概括所有IV估计量的函数？

Maintained by 陈星宇 · Homepage · Source on GitHub