✨ 前沿班

1.课程概览

• 时间 ：2025 年 1 月 21-24 日 (四天)
• 方式 ：网络直播 + 30 天回放
• 授课嘉宾 ：杨海生 (中山大学)
• 授课安排
• 授课方式 ：提供全套 R + Stata 程序、数据和核心论文复现资料 (开课前一周发送)。
• 授课时间 ：上午 9:00-12:00，下午 14:30-17:30 (17:30-18:00 答疑)。
• 全程答疑 ：由 10 位经验丰富的同学组成的助教团队会在课程群中全程答疑，并对答疑接龙文档进行详细的记录和分类，公布于 课程主页。
• 课程详情 ：https://www.lianxh.cn/PX.html
• 往期板书和答疑 ：https://gitee.com/arlionn/PX/wikis
• PDF 课纲 ：https://file.lianxh.cn/KC/lianxh_PX.pdf
• 预读资料 ：-点击下载参考文献- | Text Books
• 报名链接 ：https://www.wjx.top/vm/Ot5g7G4.aspx#

2.课程特色

本期课程为期 4 天，引入了多个政策评价的新方法和工具，如因果路径分析、调节变量自动筛选、政策强化学习和非参数因果推断等。这些方法不仅能够有效估计和检验政策效果，还能深入其作用机制，评估政策的公平性，及其在不同情境中的可迁移性。这些分析手段能够大幅扩展政策评价类研究的分析视角和研究深度。

3.主讲嘉宾

杨海生，中山大学岭南学院经济学系副教授，主要研究领域为政策评估、AI 与资产定价、大数据与经济预测、系统性金融风险。在 ACM Computing Surveys, Expert Systems With Applications, Economic Geography, Pacific-Basin Finance Journal, Ecological Economics, Journal of International Financial Markets, Institutions & Money, Emerging Markets Review, Economic Modelling, Journal of Asian Economics, 《经济研究》, 《管理世界》, 《经济学（季刊）》, 《管理科学学报》, 《金融研究》, 《会计研究》, 《世界经济》, 《系统工程理论与实践》等国内外权威学术刊物上发表论文 40 余篇，主持和参与多项国家自然科学基金、广东省自然科学基金等课题研究。

4. 课程提要

本期课程引入了多个政策评价的新方法和工具。这些方法不仅能够有效估计和检验政策效果，还能深入其作用机制，评估政策的公平性，及其在不同情境中的可迁移性。这些分析手段能够大幅扩展政策评价类研究的分析视角和研究深度。核心内容如下：

• 解锁政策影响的定量密码

• 遗漏变量检验 | 排他性检验
• 安慰剂检验 | 平行趋势检验
• 纽曼正交框架下的 DID | 匹配框架下的 DID | 多期 DID

• 揭示政策作用的内在机制

• 调节变量选择 | 调节效应检验 | 双重纠偏拉索估计
• 有效中介识别 | 逐步检验法 | 两阶段工具变量法
• 因果路径分析 | 连续型中介变量 | 多重中介检验

• 政策优化的智能革命

• 考虑时点与个体的政策学习：政策强化学习
• 考虑网络的政策学习：溢出效应和同伴效应
• 考虑市场均衡的政策优化 | 兼顾效率与公平的政策优化
• 多臂 Qini 曲线 | 非参数因果推断

• 课程安排

• Day 1： 遗漏变量检验 | 排他性检验 | 安慰剂检验 | 平行趋势检验
• Day 2： 纽曼正交框架下的 DID | 匹配框架下的 DID | 多期 DID
• Day 3： 影响机制检验 | 多重中介检验 | 因果路径分析
• Day 4： 政策绩效评估 | 政策学习 | 政策优化

4.1 课程导引

近年来，政策评估领域的研究重心已发生深刻转变：研究者不再满足于回答「政策是否有效？」，而是更加关注「政策为何有效？」以及「如何进一步优化？」、「如何兼顾政策的公平性？」。然而，现有研究工具在应对复杂调节效应、解析政策作用机制，以及优化政策设计时，往往显得力不从心。本课程立足于最新的定量分析工具，旨在帮助学员突破传统研究的局限，深入剖析政策的影响机制，实现智能化的政策优化，为提升诸位的学术研究水平、发表高质量论文提供有力支持。

本课程将系统深入地讲解 政策影响的定量分析、政策作用机制的剖析，以及政策学习与优化 的前沿方法和工具。通过学习，学员可以更好地理解政策的深层次作用机理，并将这些方法运用到实际研究中，进一步推动政策设计和优化。

我们将重点探讨以下 4 个关键问题 ：

Q1. 如何避免在政策评估中遗漏关键变量，确保评估的准确性？

在政策评估中，尤其是「多期政策干预」或「多个处理变量并存」的场景中，我们经常面临遗漏关键变量问题。例如，多期 DID 模型中，不同阶段的政策可能相互影响，而遗漏关键变量会导致政策效果估计存在严重偏误。此时，借助「 遗漏变量检验 」，我们可以识别那些未被观察到但可能对结果产生重要影响的因素；而「 排他性检验 」则能够有效避免多个处理变量之间的“污染效应”（如补贴和税收政策的交叉影响），确保每个变量的独立影响被准确估计，如在多阶段政策干预时分离各阶段的政策效应。

Q2. 平行趋势检验与安慰剂检验到底有多关键？如果忽视这些检验，会带来哪些隐患？

平行趋势和安慰剂检验是确保 DID 估计有效的核心。然而，现有的平行趋势检验在应对复杂场景时存在诸多局限，尤其是在面对 时间趋势变化 （如经济周期）、 引入控制变量 （如个体特征和环境因素）以及 多期政策干预 （如分阶段实施的政策）时，容易失效。原因在于，现有方法多以只能事后验证，无法在事前判断是否满足平性趋势假设，这可能导致政策效果估计出现偏误。本课程将引入一些新进提出的平行趋势和安慰剂检验方法，以便在 复杂样本 （如多群体异质性）和 多维数据场景 （如多个调节变量和交互效应）中，更精准地识别政策效应，实现更稳健的政策评估。

Q3. 在复杂政策环境下，如何识别有效渠道变量并评估其相对重要性？

在目前的多数研究中都只有一个调节变量，然而，在有些复杂的政策环境中，我们需要对比分析多个渠道变量（如收入水平、营商环境）对政策效果的调节作用。通过 调节效应分析 和 调节项选择工具 ，我们可以在高维数据和异质性情境中（如多期政策或多群体差异）自动识别和筛选出显著的调节变量，并通过 效应纠偏方法 确保估计的准确性。

另一个重要的分析工具是： 多重中介检验 。它可以分析处理变量通过多个中介机制影响结果的过程和路径。可以借助 Sequential G-estimation 方法估计不同中介变量对结果变量的直接和间接效应，以揭示不同机制之间的 关联性 (协同效应) 及其相对重要性 。例如，我们可以借此评估「环境保护法」通过污染物减排、绿色创新、产业结构转型、排污权交易等多种机制对环境质量等影响，而重点在于分析这些机制的协同作用和相对重要性。

Q4. 如何利用政策学习在多变的政策环境中实现动态优化？

随着政策复杂度和环境动态性的增加，传统的静态优化方法已难以满足政策的实时调整需求。本课程将通过引入「 政策强化学习 」，掌握如何在政策实施过程中，利用数据反馈进行动态优化，这在应对 个体异质性 、 时间异质性 和 网络效应 等复杂情境中非常有用。这一方法能够最大化长期回报，并为我们提供一套在变化中作出最优决策的分析工具。此外，课程还将探索市场均衡状态下的政策效应及其优化策略，借助「 多臂 Qini 曲线 」和「 非参数因果推断 」来评估和比较不同政策的效果，从而设计出既能确保市场稳定性，又能最大化经济和社会效益的政策。

本次课程内容的设置以回答上述问题为目标，紧贴政策研究中的现实挑战。我期望大家能学会利用这些最新的工具来提升自己的研究，解决在政策评估、机制分析和政策优化方面的困惑。课程中会使用一些顶刊的案例，通过复现和实操，帮助大家理解原理，并真正「 用起来 」！

4.2 课程详情

T1：政策效果的定量识别与评估（Day 1 + Day2）

• 遗漏变量检验
• 传统遗漏变量检验（Oyster，2019）
• 不变因果预测（Invariant causal prediction）（Kook et al., 2024）
• 双重有效/双重尖锐（Doubly-Valid/Doubly-Sharp）、敏感性分析（Dorn et al.，2024）
• 基于模型辅助的敏感性分析（Tan，2024）
• 排他性检验（Goldsmith et al.，2022）
• 平行趋势检验
• 传统平行趋势检验
• Event Study（Freyaldenhoven et al.，2021；Roth，2022）
• Treeffuser（Beltran-Velezet al.，2024）
• 安慰剂检验
• DID的新范式
• TWFE与标准DID（Wooldridge, 2021）
• 纽曼正交框架下的DID（包括TWFE，DRDID，DML，GRF, Npcausal）（Sant & Zhao，2020；Kennedy et al.，2023）
• 匹配框架下的DID（包括：PSM-DID，SDID，WGAN）（Athey et al.，2021）
• 多期DID（包括：CSDID，动态IPW，RIPW）（Arkhangelsky et al.，2021；Callaway & Sant，2021；Goodman-Bacon，2021；van den Berg & Gerard,2022）

参考文献 ：

以下是处理后的完整引文信息：

1. Boileau, P., Leng, N., Hejazi, N. S., Van Der Laan, M., & Dudoit, S. (2024). A nonparametric framework for treatment effect modifier discovery in high dimensions. Journal of the Royal Statistical Society Series B: Statistical Methodology. Link, PDF, Google.

2. Beltran-Velez, N., Grande, A. A., Nazaret, A., Kucukelbir, A., & Blei, D. (2024). Treeffuser: Probabilistic Predictions via Conditional Diffusions with Gradient-Boosted Trees (Version 2). arXiv. Link (rep), PDF, Google.

3. Chang, H., Middleton, J. A., & Aronow, P. M. (2024). Exact Bias Correction for Linear Adjustment of Randomized Controlled Trials. Econometrica, 92(5), 1503–1519. Link (rep), PDF, Google.

4. Di Giuli, A., & Laux, P. A. (2022). The effect of media-linked directors on financing and external governance. Journal of Financial Economics, 145(2), 103–131. Link (rep), PDF, Google.

5. Dorn, J., Guo, K., & Kallus, N. (2024). Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding. Journal of the American Statistical Association, 1–12. Link, PDF, Google.

6. Guo, X., Li, R., Liu, J., & Zeng, M., 2022. High-Dimensional Mediation Analysis for Selecting DNA Methylation Loci Mediating Childhood Trauma and Cortisol Stress Reactivity. Journal of the American Statistical Association , 117(539), 1110-1121. Link, PDF, Google.

7. Guo, Z., Ćevid, D., & Bühlmann, P.,2022. Doubly debiased lasso: High-dimensional inference under hidden confounding. Annals of Statistics , 50(3), 1320.Link, PDF, Google.

8. Imai, K., Keele, L., & Yamamoto, T. (2010). Identification, inference and sensitivity analysis for causal mediation effects. Statistical Science , 25(1), 51-71. Link, PDF, Google.

9. Kook, L., Saengkyongam, S., Lundborg, A. R., Hothorn, T., & Peters, J. (2024). Model-Based Causal Feature Selection for General Response Types. Journal of the American Statistical Association, 1–12. Link, PDF, -PDF2-, Google.

10. Lin, Y., Windmeijer, F., Song, X., & Fan, Q. (2024). On the instrumental variable estimation with many weak and invalid instruments. Journal of the Royal Statistical Society Series B: Statistical Methodology , qkae025. Link, PDF, Google.

11. Ouyang, J., Tan, K. M., & Xu, G. (2023). High-dimensional inference for generalized linear models with hidden confounding. The Journal of Machine Learning Research , 24(1), 14030-14090. Link, PDF, Google.

12. Zhou, X. (2022). Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediators. Journal of the Royal Statistical Society Series B: Statistical Methodology, 84(3), 794–821. Link, PDF, Google.

13. Zhou, X., & Yamamoto, T., 2023. Tracing causal paths from experimental and observational data. The Journal of Politics , 85(1), 250-265.Link (rep), PDF, Appendix, Google.

遗漏变量是因果推断中的常见问题，若未能有效识别，可能会导致政策效果的偏差估计。本专题将介绍几种前沿的 遗漏变量检验 方法，帮助研究者解决这一难题，并确保政策效果估计的准确性。

首先，我们将讨论 传统遗漏变量检验 （Oyster, 2019）以及它在处理因果关系复杂场景中的局限性。 Q1.在复杂的政策环境中，如何识别未观测的关键变量？ （如教育政策在不同社会经济背景下的差异）。为应对这一挑战， 不变因果预测（Invariant Causal Prediction） （Kook et al., 2024）通过在多个环境下寻找因果关系的稳定性，帮助识别可能被忽略的关键变量，特别适用于跨区域政策分析（如跨城市的住房政策）。接着， 双重有效/双重尖锐（Doubly-Valid/Doubly-Sharp）敏感性分析模型 （Dorn et al., 2024）通过构建双重稳健估计，即使部分模型假设失效，依然能准确估计政策效果。 Q2.在模型设定偏差或高维数据中，如何确保估计结果的稳健性？ （如公共卫生政策在多个变量干扰下的效果评估）。同时， 基于模型辅助的敏感性分析 （Tan, 2024）结合了倾向评分和结果均值回归模型，解决了未观测混杂因素带来的偏差问题，适合高维数据和复杂模型的因果推断

此外，针对处理多个政策干预的情境，本专题还将介绍 排他性检验 （Goldsmith et al., 2022）， Q3.在存在多个政策干预时，如何避免变量间的相互污染？ （如同时进行的经济刺激政策和税收政策对经济增长的影响）。排他性检验确保多个处理变量独立，从而防止政策效果估计中的交叉干扰，特别适用于多期、多政策场景下的政策分析。

通过本专题的第一天学习，学员将能够回答以下关键问题：如何应对高维数据中的遗漏变量问题？如何在复杂环境下提高因果推断的稳健性？如何确保多期政策干预的独立性？这些工具将帮助学员更好地理解和应用遗漏变量检验与排他性检验，为政策评估提供更为精准和全面的分析。

双重差分（DID）方法是政策分析中的重要工具，但它的准确应用依赖于若干基本假设，特别是平行趋势假设。为了确保政策评估的准确性，我们需要提前判断研究对象和样本是否满足这些假设，尤其是平行趋势检验和安慰剂检验的应用条件。本专题将探讨各种前沿方法，帮助学员在复杂数据情境下提高政策评估的准确度和稳健性。

首先， 平行趋势假设 要求处理组和对照组在政策实施前必须有相同的趋势。 Q1.如何做「事后的」平行趋势检验，并确保政策实施前的平行趋势假定成立？ 在传统的平行趋势检验中，这一假设通常只做事前检验，但在现实场景中，政策实施前的时间趋势可能具有复杂的动态结构。 事件研究法（Event Study） （Freyaldenhoven et al., 2021；Roth, 2022）通过多个时间窗口捕捉政策前后的动态趋势，能够灵活处理多期数据和复杂时间趋势问题。 Q2.在存在时间趋势的情况下，平行趋势检验满足时是否就能得到ATT？ 事件研究法不仅可以检测不同时间窗口中的政策影响，还可以避免因非线性趋势或数据异质性导致的偏差，提供更精细的政策效果估计。

进一步提升平行趋势检验能力的工具是 Treeffuser模型 （Beltran-Velez et al., 2024），它通过决策树框架对政策前后的非线性趋势进行建模，特别适用于多维数据和复杂因果关系的场景。Treeffuser在处理多个政策变量时，能够捕捉到变量之间的交互效应并提供更灵活的检验方式，适用于复杂环境下的平行趋势检验。

随后，我们将介绍安慰剂检验，用于评估政策效果的真实性。 Q3.如何通过安慰剂检验验证政策效果不是由外部因素导致？ （如社会福利政策的效果验证）。安慰剂检验通过引入虚拟干预来验证结果的鲁棒性，确保外部冲击未对政策效果产生干扰。

接下来，我们将深入介绍DID的新范式，并厘清TWFE与标准DID的关系（Wooldridge, 2021），特别是当数据结构复杂或模型形式未知时，如何应用更先进的技术准确估计政策效应。 纽曼正交框架下 的双重稳健DID（DRDID）、双重机器学习（DML）、广义随机森林（GRF）和非参数因果推断（Npcausal）（Sant & Zhao, 2020；Kennedy et al., 2023）将通过先进的机器学习技术处理高维数据与复杂模型的因果推断问题。帮助我们解决 Q4当处理组和对照组存在异质性时，如何提高DID的稳健性？ （如不同地区的经济政策对就业率的影响）。

针对 匹配框架下 的DID，我们将介绍PSM-DID、SDID和WGAN（Athey et al., 2021）。这些方法通过更加精确的匹配或合成控制组，有助于减少控制组中的偏差，从而提升政策效果估计的精确度。 Q5.如何通过合成控制组和匹配框架提高DID的估计精度？ （如医疗政策对不同病患群体的影响）

最后，我们将讨论 多期DID （包括CSDID、动态IPW、RIPW）在长期政策实施中的应用（Arkhangelsky et al., 2021；Callaway & Sant, 2021）。多期政策效果的估计常常面临处理组非随机分配和时间不一致性的问题， Q6.当政策实施时间彼此相关时，如何进行多期DID估计，并处理政策效应的异质性？ （如教育改革对不同年级学生的长期影响）。这些方法能够帮助研究者在处理多期数据和复杂政策效果时进行更加灵活和稳健的估计。

通过第二天的学习，学员将深入掌握如何在不同情境下应用平行趋势检验、安慰剂检验和DID的新范式，确保政策效果的稳健评估与准确估计。

T2. 政策机制的深层解析与因果路径分析（Day3）

• 调节效应检验

• 调节变量筛选（Boileau et al.，2024）
• 调节效应估计（Chang et al.，2024）

• 中介效应检验

• 传统检验方法的可行性分析：逐步检验法、敏感性分析（Imai et al.，2010）、两阶段工具变量法（Di Giuli & Laux，2022）
• 双重纠偏拉索估计：线性模型（Guo et al.，2022AoS），广义线性模型（Ouyang et al.，2023）

• 多重中介检验

• 有效中介识别检验（Guo et al.，2022JASA）
• 因果路径分析（Zhou，2022；Zhou & Yamamoto，2023）
• 连续型处理变量下的中介效应分析（Lin et al.，2024）

参考文献 ：

1. Boileau, P., Leng, N., Hejazi,N. S., van der Laan, M., & Dudoit, S. 2024. A nonparametric framework fortreatment effect modifier discovery in high dimensions. Journal of the RoyalStatistical Society Series B: Statistical Methodology , qkae084.

2. Chang, H., Middleton, J. A.,& Aronow, P. M. 2024. Exact bias correction for linear adjustment ofrandomized controlled trials. Econometrica , 92(5), 1503-1519.

3. Di Giuli, A., & Laux, P. A., 2022. The effect of media-linked directors on financing and external governance. Journal of Financial Economics , 145(2), 103-131.Link (rep), PDF, Google

4. Guo, X., Li, R., Liu, J., & Zeng, M., 2022. High-Dimensional Mediation Analysis for Selecting DNA Methylation Loci Mediating Childhood Trauma and Cortisol Stress Reactivity. Journal of the American Statistical Association , 117(539), 1110-1121. Link, PDF, Google.

5. Guo, Z., Ćevid, D., & Bühlmann, P.,2022. Doubly debiased lasso: High-dimensional inference under hidden confounding. Annals of Statistics , 50(3), 1320.Link, PDF, Google.

6. Imai, K., Keele, L., & Yamamoto, T. (2010). Identification, inference and sensitivity analysis for causal mediation effects. Statistical Science , 25(1), 51-71. Link, PDF, Google.

7. Lin, Y., Windmeijer, F., Song, X., & Fan, Q. (2024). On the instrumental variable estimation with many weak and invalid instruments. Journal of the Royal Statistical Society Series B: Statistical Methodology , qkae025. Link, PDF, Google.

8. Ouyang, J., Tan, K. M., & Xu, G. (2023). High-dimensional inference for generalized linear models with hidden confounding. The Journal of Machine Learning Research , 24(1), 14030-14090. Link, PDF, Google.

9. Zhou, X. (2022). Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediators. Journal of the Royal Statistical Society Series B: Statistical Methodology, 84(3), 794–821. Link, PDF, Google.

10. Zhou, X., & Yamamoto, T., 2023. Tracing causal paths from experimental and observational data. The Journal of Politics , 85(1), 250-265.Link (rep), PDF, Appendix, Google.

在政策效果评估中，准确识别政策的传导机制及其调节因素，是揭示政策效果的核心挑战之一。本专题将围绕 调节效应分析 和 中介效应检验 ，为学员提供系统的工具，帮助理解政策作用的复杂路径，并提供相应的实证方法。

首先，我们将聚焦于 调节效应检验 。政策效果往往受到不同群体或环境的调节，理解这些调节因素对于准确评估政策效应至关重要。 Q1.如何在复杂的高维数据中自动识别出关键的调节变量？ 如借鉴Boileau et al.（2024），筛选合适调节变量，进而评估环境政策在不同污染水平下的效果。 Q2.在不同调节因素存在时，如何估计其对政策效果的相对重要性？ （Chang et al., 2024）比如用于衡量教育政策在不同收入群体中的影响。这些工具将帮助学员在多期政策或多群体异质性背景下，精准评估政策效果的差异性与敏感性。

其次，我们将深入探讨 中介效应检验 ，即分析政策通过哪些中介渠道发挥作用。学员将学习 逐步检验法 、 敏感性分析 （Imai et al., 2010）及 两阶段工具变量法 （Di Giuli & Laux, 2022）等传统方法的优劣，并思考： Q3.如何应对中介变量内生性带来的估计偏差？ （如就业政策如何通过培训项目提升就业率，但受限于参与意愿的内生性问题）。为此，我们引入 双重纠偏拉索（DDL）估计 （Guoet al., 2022AoS），该方法适用于线性模型和广义线性模型（Ouyanget al., 2023），并有效解决内生性问题。

在应对 多重中介检验 方面，学员将学习 如何识别和评估多个中介变量之间的相互作用？ Guoet al., 2022JASA）。通过 因果路径分析 （Zhou, 2022；Zhou & Yamamoto, 2023），我们将追踪不同机制对政策效果的影响，回答 Q4.不同中介路径之间的关联性和相对重要性如何量化？ （如最低工资政策通过收入和工作满意度对就业的共同影响）。此外，连续型处理变量下的中介效应分析*Linet al., 2024）将拓展学员处理政策强度具有连续变化的情景（如税率变化对消费行为的渐进影响）的能力，进一步丰富中介效应的应用场景。

通过本专题，学员将掌握如何在多维数据和复杂机制下，精确分析政策的调节与中介效应，全面理解政策的作用路径与影响深度，进而为优化和调整政策设计提供强有力的支持。

T3. 政策优化的智能化策略与动态决策方法（Day4）

• 政策学习
• 考虑个体异质性的政策学习（Athey & Wager，2021）
• 考虑时点和个体异质性：强化学习（Bian et al.，2024）
• 考虑网络下的溢出效应的政策学习（Viviano，2024）
• 市场均衡状态政策效应（Munro et al.，2021）
• 政策公平性评价（Fair Policy）（Viviano & Bradic，2023）
• 多臂Qini曲线（Multi-Armed QiniCurve）（Sverdrup et al.，2023）
• 连续Treatment（Kennedy et al., 2017；Colangelo & Lee,2023；Xu & Tan，2024）

参考文献：

1. Athey, S., & Wager, S., 2021. Policy learning with observational data. Econometrica , 89(1), 133-161.Link, PDF, Google.
2. Bian, Z., Shi, C., Qi, Z., & Wang, L. (2024). Off-Policy Evaluation in Doubly Inhomogeneous Environments. Journal of the American Statistical Association, 1–27. Link, PDF, -PDF2-, Google.
3. Munro, E., Wager, S., & Xu, K., 2021. Treatment effects in market equilibrium. Working Paper, arXiv preprint arXiv:2109.11647.Link, PDF, Google.
4. Sverdrup, E., Wu, H., Athey, S., & Wager, S., 2023. Qini Curves for Multi-Armed Treatment Rules. Working Paper, arXiv preprint arXiv:2306.11979.Link, PDF, Google.
5. Viviano, D., & Bradic, J., 2023. Fair policy targeting. Journal of the American Statistical Association , 1-14.Link, PDF, Google.
6. Viviano, D. (2024). Policy Targeting under Network Interference. Review of Economic Studies. Link (rep), PDF, Google.
7. Kyle Colangelo & Ying-Ying Lee,2023. Double Debiased Machine Learning Nonparametric Inference with Continuous Treatments. Econometrics ,Link, PDF, Google.
8. Xu, W., & Tan, Z. (2024). High-dimensional model-assisted inference for treatment effects with multi-valued treatments. Journal of Econometrics, 244(1), 105852. Link, PDF, Google.

在复杂、多变的政策环境下，如何实现动态和精准的政策优化，是当今研究者面临的关键挑战。传统的静态政策优化方法无法应对个体异质性、时间变化和网络溢出效应等现实问题。本专题将聚焦于 政策学习 技术，帮助研究者通过动态调整政策决策实现最优效果。

首先，Athey & Wager (2021)提出的 基于个体异质性的政策学习 为我们提供了应对不同群体差异的工具。 Q1.如何在政策影响不均的情况下找到最优的政策决策？ （例如，医疗补贴政策在不同收入群体中的效果差异）。通过政策学习，研究者能够根据不同个体的特征和反应，设计出更为精准的干预措施，确保资源的有效利用。

接下来，Bian et al. (2024)的 强化学习 方法是本专题的核心内容之一。强化学习通过不断的反馈和数据更新，帮助研究者在复杂的政策环境中做出 动态优化 决策 Q2.如何通过实时数据反馈动态优化政策？ （例如，医保政策随着病人健康状况变化而进行的自动调整）。与传统方法不同，强化学习不仅能够适应政策环境中的复杂性（如个体异质性和时间波动），还能够通过学习过程逐步改善政策效果，最大化长期收益。特别是在面对长期实施的政策（如养老金政策）时，强化学习能够根据历史数据实时优化决策，确保政策效果的持续改善。

此外，Viviano (2024)的研究重点在于 考虑网络溢出效应的政策学习 ，解决了个体之间相互影响的问题。 Q3.如何在存在溢出效应时准确评估政策效果？ （如住房政策对邻近区域房价的溢出效应）。通过网络政策学习，研究者可以更精准地识别和控制这些溢出效应，避免政策影响被高估或低估。

市场均衡状态下的政策效应评估 （Munro et al., 2021）将探讨在存在溢出效应的复杂市场环境中，如何评估政策对个体和整体市场的影响。传统因果推断依赖SUTVA假设，但在现实场景中（如企业投资或地方政府政策）个体之间存在相互影响，无法满足这一假设。 Q4.如何在政策影响下估计市场中的直接和间接效应？ （如环保政策对企业生产和市场价格的双重影响）。Munro et al. (2023) 提出的模型通过区分 直接处理效应（ADE） 和 间接处理效应（AIE） ，评估政策对个体自身和其他个体的传导效应，并提出了 最优政策目标规则 ，帮助研究者在保持市场均衡的前提下实现政策优化。本专题将通过实例展示如何在R中实现这一模型。