Treatment Effects in Market Equilibrium (joint work with Evan Munro and Kuang Xu)¶
讲者: Stefan Wager
讨论人: Fredrik Sävje
来源: OCIS (Online Causal Inference Seminar)
日期: 2021-06-22
主题: 因果推断
视频: https://youtu.be/MW4Kmx9wYmw · 幻灯片
本页据讲座录音的自动转写（ASR）生成。人名 / 术语 / 公式 / 具体的率与界可能被听错，关键处请对照视频或讲者论文核对。
一、这场报告在讲哪条工作线¶
子方向：干扰（interference）下的因果推断 —— 特别地，通过价格传导的市场均衡干扰。
这场报告是干扰因果推断领域的一个前沿拓展。该领域的基础是 Neyman (1923) 的随机化试验与 Rubin Causal Model，但标准的“无干扰假设”（SUTVA）将每个单元的结果仅与自身处理绑定。当单元间存在交互时，需要显式建模干扰。
奠基与主流路线：
- 暴露映射（Exposure Mapping）：Aronow & Samii (2017) 提出的框架，将全处理向量 W 压缩为低维的 fi(W)，当两个处理向量映射到相同的 fi 值时，第 i 单元的结果相同。这是处理干扰的主流工具。
- 网络干扰：Athey, Eckles & Imbens (2018); Leung (2020); Li & Wager (2020) 等。假定干扰沿已知图（如社交网络）传播，暴露映射关心的是节点自身及其邻居的处理。
- 局部 vs. 全局干扰：大部分文献处理“局部”干扰（邻居数远小于 n）。此报告处理的是“全局”干扰：所有单元通过同一个均衡价格互相影响，不存在稀疏的图结构。
当前 frontier 与这场报告的位置：
- 在 Wager 等人之前，对于“通过价格的全局干扰”如何用潜在结果语言精确定义和识别，几乎没有处理方案。现有的处理局部干扰的方法（如图分割、聚类随机化）不能直接应用于单市场均衡环境。
- 这场报告的核心创新：将市场均衡嵌入暴露映射框架，证明在大样本（iid 抽样）下会产生一个均值场极限（mean-field limit），使得分析变得可处理：直接效应（ADE）收敛为 μ(1, p*) - μ(0, p*)，间接效应（AIE）收敛为价格弹性与价格对处理频率的导数的乘积。
- 在方法层面，报告的亮点是通过“微扰实验”（local price perturbations）来识别间接效应，这本质上是用一个随机化实验来替代跨市场或工具变量估计，属实验设计的新方向。
关键引用（有把握的）： - Neyman (1923) —— 潜在结果与随机化试验。 - Hudgens & Halloran (2008) —— 定义直接 / 间接效应。 - Sävje, Aronow & Hudgens (2021) —— 在一般干扰下，差异估计量收敛到 ADE 而不是 ATE。 - Angrist, Graddy & Imbens (2000) —— 将供给与需求函数作为潜在结果建模，用于识别局部均衡效应（虽从 IV 角度切入，但数学结构类似）。
（字幕可能有人名拼写误差，请核对讲者或论文的参考文献部分）
二、最小内核 / 一个最简例子¶
符号与模型：
- 观测数据：n 个单元独立同分布。每个单元 i 有：
- 二值处理 Wi ∈ {0, 1}（随机化，概率 π）
- 结果 Yi（如利润）
- 供给函数 Si(w, p)：若自身处理为 w、市场价为 p，愿意供给的数量。
- 需求函数 Di(w, p)。
- 未观测变量（潜在结果）：
- Yi(w, p)、Si(w, p)、Di(w, p) —— 作为随机变量，其分布为 L。
- 均衡价格 P(W)：使得总供给=总需求的随机变量：
(1/n) Σ Si(Wi, P(W)) = (1/n) Σ Di(Wi, P(W))。
- 目标参数：
- 平均直接效应（ADE）：τADE = (1/n) Σ E[Yi(1, P(W)) - Yi(0, P(W))]，其中期望仅对处理向量做平均。
- 平均间接效应（AIE）：τAIE = (1/n) Σ Σ_{j≠i} E[Yj(Wj, P(W)) - Yj(Wj, P'_{j→i})]，其中 P'_{j→i} 代表将单元 i 的处理从 0 翻转为 1 后的新均衡价格。
最简特例（单一商品，二值生产/消费）：
- 每个单元要么是消费者（价值 Vi，边际成本无穷大），要么是生产者（成本 Ci，需求=0）。(Vi, Ci) 的联合分布任意。
- 处理 Wi=1 为补贴，将生产者的成本降低 a。
- 供给函数：Si(1, p) = 1{Ci ≤ p + a}，Si(0, p) = 1{Ci ≤ p}。
- 需求函数：Di(w, p) = 1{Vi ≥ p}（与 w 无关）。
- 结果 Yi：生产者利润 = (p + aWi - Ci)^+。
核心思想：
1. 在大样本下，随机实现的 (Vi, Ci) 使得供给和需求的期望函数决定了极限均衡价格 p*(π)（唯一解）。
2. 直接效应 τ*ADE ≈ 在固定价格 p*(π) 下的平均政府补贴效果（≈ ATE at given price）。
3. 间接效应 τ*AIE ≈ 价格 p* 对处理概率 π 的导数 × 平均价格弹性（即改变世界均匀补贴率时，因价格变动导致的额外效果）。
4. 关键识别挑战：为估计价格弹性（如 ∂μ(1, p)/∂p），需要在原始实验中加入独立的微小价格扰动 Zi，使得 i 单元面对的价格为 P + Zi，然后从 Yi 对 Zi 的回归中恢复弹性。
三、报告主体：讲者讲了什么¶
[0:01:30 - 0:04:01] 动机与问题设定 - 讲者以“农业补贴”为例说明市场干扰：补贴少数农民可能效果很显著，但若给全体农民补贴，总产出增加→价格下跌→削弱激励→实际效果大打折扣。 - 强调干扰是多变的，不能用“一刀切”理论：疫苗、拉票、补贴三个问题的干扰机制完全不同，需要专门的暴露映射。
[0:04:01 - 0:07:56] 传统框架复习
- 回顾 Neyman 的无干扰 ATE 与差异估计量。
- 引入全向量潜在结果 Yi(W)（2^n 个），定义 ADE 与 AIE 作为 ATE 的干扰推广。
- 关键性质：τADE + τAIE = d/dπ E[Y]（总政策效应）。
[0:07:56 - 0:15:02] 暴露映射与网络干扰 - 介绍 Aronow-Samii 暴露映射路线。 - 列举实例：Basse, Feller & Toulis (2019) 的“家庭干扰”。 - 指出市场干扰无法用图建模——干扰是通过全局价格传导的。
[0:15:02 - 0:20:44] 市场干扰的建模
- 假定所有干扰通过价格 P ∈ R^J 传导（J 种商品）。
- 写出暴露映射：若 Wi = Wi' 且 P(W) = P(W')，则 Yi(W) = Yi(W')。
- 形式化模型（关键）：价格由供需均衡 (1/n) Σ Si(Wi, P) = (1/n) Σ Di(Wi, P) 决定；Si、Di、Yi 都是 (Wi, P) 的函数（潜在结果）。
[0:20:44 - 0:27:17] 大样本极限与均值场
- 假定 (Yi(w,p), Si(w,p), Di(w,p)) 来自同一个分布 L，iid 抽样。
- 定理（均值场极限）：当 n → ∞ 时，
- 价格收敛到确定性极限 p*(π)，满足 π d(1,p*) + (1-π) d(0,p*) = π s(1,p*) + (1-π) s(0,p*)。
- τADE → μ(1,p*) - μ(0,p*)。
- τAIE → (∂/∂p)[π μ(1,p) + (1-π) μ(0,p)]|_{p=p*} · r p*(π)。
- 讲者强调：均值场极限“econ 很熟悉，就是价格弹性”；间接效应 = 平均价格弹性 × 处理对均衡价格的影响。
[0:27:17 - 0:31:22] Q&A（与 Peter Hull） - Hull 问：这看起来像 IV 中通过供需位移来画曲线的思维，但你们没做排他性限制，为什么？ - Wager 答：为了估计间接效应，我们确实需要额外变异源（如微扰），这在概念上接近供需位移。但我们的实验设计是在单市场中做局部扰动，而非跨市场比较。
[0:31:22 - 0:37:25] 直接效应的估计
- 引用 Sävje, Aronow & Hudgens (2021)：在一般干扰下，差异估计量 Ȳ₁ - Ȳ₀ 收敛到 τ*ADE。
- 本报告证明：该性质在市场均衡模型下也成立（含 CLT，论文中有详细结果）。
[0:37:25 - 0:44:15] 间接效应的估计：微扰实验
- 间接效应 = 价格弹性 × 价格变化的导数。关键组件：
- 价格弹性 ∂μ/∂p：对每个单元 i 施加独立噪声 Zi ~ N(0, ξ² I)，使得面对的价格成为 P + Zi，然后在极限 (n→∞, ξ→0) 下，通过回归 Yi 对 Zi 得到斜率的协方差估计。
- 价格对处理概率的导数 dp*/dπ：由均衡条件通过隐函数求导得到，
rp*(π) = -[∂V(π,p)/∂p]^{-1} · ∂V(π,p)/∂π，
其中 V(π,p) = π(s(1,p)-d(1,p)) + (1-π)(s(0,p)-d(0,p))。
这里 ∂V/∂π 就是处理对供（需）差的直接效应（可用差异估计量），∂V/∂p 是供（需）差的平均价格弹性（可用微扰实验估计）。
[0:44:15 - 0:45:56] 仿真例子
- 农业补贴模型：Si(1,p)=1{Ci≤p+a}，Di(w,p)=1{Vi≥p}，结果 = 生产者利润。
- 发现：直接效应（差异估计量）显示补贴使利润大幅增加，但加入间接效应后的总政策效应仅为直接效应的不到一半，说明均衡反馈不可忽略。
[0:45:56 - 0:55:10] 讨论与回复
[0:48:00 - 0:53:40] Fredrik Sävje 的讨论
- 图形解释：在 π-μ 平面上画出控制组和干预组的平均结果曲线，ADE 是两曲线间的垂直距离，AIE 是斜率差（加权平均）。
- 关键评论：核心创新在于处理对价格的影响的识别——通过供给/需求结构这一轻结构模型，使得该成分可估计。微扰实验本身有既有文献（如 Wager & Xu 2021 中的 local experiments），但将其与结构模型结合是新的。
- 提出的开放问题：市场进出如何建模？是否可使用全局扰动识别整个供给/需求曲线？若实验规模远小于整个市场（处理在市场上影响可忽略），间接效应是否仍可推断？均值场假设在非市场设置中能否推广？
四、对应论文与开放问题¶
对应论文（基于转写稿与幻灯片一致的信息）： - Munro, Evan (coauthor) —— 斯坦福经济系博士生。 - Xu, Kuang (coauthor) —— 斯坦福 GSB 教授。 - 论文标题：与报告标题一致 —— Treatment Effects in Market Equilibrium。 - 尚未看到正式发表的 arXiv/期刊版本（据转写为 2021 年数据，可能是 working paper 或正处于修改中——请核实）。 - 讲者提到更多细节（CLT、政策效应、导数与总效应的关系）在“paper”中，但未给出具体 arXiv 号。
开放问题（源自转写）： 1. 市场进出（entry/exit）如何融入模型？[讨论者 Sävje 提出，Wager 承认未处理，[0:52:00]-[0:52:05]。 2. 是否可以放松“均值场极限”假设，允许价格具有更丰富的随机性或处理非全局均衡？[Sävje 问，Wager 回应是“会使问题难得多”，但未否定可行性] [0:50:35]-[0:50:46]。 3. 若实验的规模远小于整个市场（处理仅影响实验人群，不改变市场均衡价格），从实验估计的间接效应能否外推到市场规模的变动？[0:54:15]-[0:55:10]。 4. 可否将局部微扰实验扩展为覆盖更大价格区间，从而估计整个供给/需求曲线（不止局部弹性）？[Sävje 提，Wager 回应“成本太高”，但指出从理论上是可行的] [0:54:15]-[0:55:20]。 5. 从暴露映射框架看，该方法能否推广到非市场的一般“均值场参数”环境中（如社会规范、文化态度）？这意味着要求有一个有限维的内生变量压缩干扰，且实验者能对其施加扰动——是否存在此类识别策略？[0:56:30]-[0:57:10]。
Maintained by 陈星宇 · Homepage · Source on GitHub