Return to Video

Joshua Angrist Nobel Prize Lecture 2021

  • 0:01 - 0:04
    ♪ [音乐] ♪
  • 0:04 - 0:10
    经济学中的实证策略：照亮从原因到结果的路
  • 0:11 - 0:13
    - [Joshua] 10月11日一大早
  • 0:13 - 0:15
    我心情紧张，iPhone 都差点儿掉了
  • 0:15 - 0:18
    思绪全在是否诺贝尔奖
  • 0:18 - 0:21
    会改变我们Angrist家庭
  • 0:21 - 0:23
    我们关系亲密和谐
  • 0:23 - 0:24
    衣食无忧
  • 0:24 - 0:27
    所以我很担心：
    这个压力山大的诺贝尔奖头衔
  • 0:27 - 0:28
    不一定是个好事
  • 0:28 - 0:30
    但第一杯咖啡下肚之后
  • 0:30 - 0:32
    我开始放松
  • 0:32 - 0:33
    忽然想到
  • 0:33 - 0:35
    公众认可
  • 0:35 - 0:37
    如何影响学者生活
  • 0:37 - 0:40
    不正是个简单的因果问题吗
  • 0:40 - 0:42
    诺贝尔奖的干预
  • 0:42 - 0:45
    是实质性的、突然的，而且很好衡量
  • 0:45 - 0:48
    像健康和财富等结果很容易记录
  • 0:49 - 0:52
    刚刚因研究使用观察数据
    解决因果问题
  • 0:52 - 0:56
    我和Guido Imbens
    David Card
  • 0:56 - 0:57
    一起被授诺奖
  • 0:57 - 1:00
    我的思绪从个人的惊涛骇浪
  • 1:00 - 1:02
    转到了更为熟悉的
  • 1:02 - 1:06
    识别和估计因果关系
  • 1:06 - 1:11
    通过想象处理诺贝尔奖因果关系
  • 1:11 - 1:13
    我放平了心态
  • 1:13 - 1:15
    如何组织这样一项研究？
  • 1:16 - 1:19
    1999 年，发表在《劳动经济学手册》中
  • 1:19 - 1:24
    有篇我与Alan Krueger
    合写的文章，使用了“实证策略”这个提法
  • 1:24 - 1:26
    这册有争议的卷宗
  • 1:26 - 1:29
    是由我在普林斯顿的两位博导编辑的
  • 1:29 - 1:32
    Orley Ashenfelter
    和 David Card
  • 1:32 - 1:35
    他们是经济学界众所周知的
  • 1:35 - 1:37
    最成功、最多产的研究生导师之一
  • 1:37 - 1:39
    实证策略是一项研究计划
  • 1:39 - 1:42
    包括数据收集、识别
  • 1:42 - 1:44
    和计量经济估计
  • 1:45 - 1:47
    识别是研究设计中
  • 1:47 - 1:50
    应用计量经济学术语
  • 1:50 - 1:53
    随机临床试验或 RCT
  • 1:53 - 1:56
    是最简单、最强大的研究设计
  • 1:57 - 1:59
    在 RCT 中，因果关系
  • 1:59 - 2:02
    是通过治疗的随机分配来确定的
  • 2:02 - 2:03
    随机分配能确保
  • 2:03 - 2:05
    在没有治疗的情况下
  • 2:05 - 2:07
    治疗组和对照组具有可比性
  • 2:07 - 2:09
    所以后来它们之间的差异
  • 2:09 - 2:12
    只反映出治疗效果
  • 2:12 - 2:15
    诺贝尔奖可能不是随机分配的
  • 2:15 - 2:17
    尽管面临这一挑战
  • 2:17 - 2:19
    一个令人信服的处理诺贝尔奖的
  • 2:19 - 2:21
    实证策略浮现于我的脑海中
  • 2:21 - 2:24
    至少是实证幻想
  • 2:24 - 2:28
    试想一群有资格
    获得诺贝尔奖的入围者
  • 2:28 - 2:31
    是被考虑的一群候选人
  • 2:31 - 2:33
    申请人无需自行申请
  • 2:33 - 2:36
    我猜测，是由同行学者提名的
  • 2:37 - 2:40
    我这奇特的诺贝尔影响研究
  • 2:40 - 2:43
    只着眼于诺贝尔入围者
    因为他们都是精英学者
  • 2:43 - 2:45
    但这只是第一步
  • 2:45 - 2:47
    我想，有声望的入围者
  • 2:47 - 2:54
    是由评委根据出版、引用
    提名陈述等标准进行评估的
  • 2:54 - 2:57
    我想这些材料会被评审
  • 2:57 - 3:01
    并使用某种评分标准得出一个分数
  • 3:01 - 3:03
    每年每个领域，最多三位
  • 3:03 - 3:06
    得分最高的赢得大奖
  • 3:06 - 3:08
    确定了入围者
  • 3:08 - 3:10
    收集了分数数据
  • 3:10 - 3:12
    诺贝尔奖影响研究的下一步
  • 3:12 - 3:15
    是记录相关的临界值
  • 3:15 - 3:17
    诺贝尔奖临界值
  • 3:17 - 3:19
    是获奖的最低分值
  • 3:20 - 3:23
    许多诺贝尔奖候选人与这个临界值只是差之毫厘
  • 3:23 - 3:27
    看看那些刚好错过的和获奖的
  • 3:27 - 3:29
    高于和低于临界值的差异
  • 3:29 - 3:32
    看起来很偶然
  • 3:32 - 3:35
    几乎是随机分配的
  • 3:35 - 3:37
    毕竟
    与诺贝尔奖擦肩而过的人
  • 3:37 - 3:39
    也是最杰出的学者
  • 3:40 - 3:43
    多发一篇有影响力的文章
  • 3:43 - 3:45
    提名人多一点儿支持
  • 3:45 - 3:46
    他们也可能被授予
  • 3:46 - 3:48
    诺贝尔金奖
  • 3:48 - 3:50
    其中一些人
    总有一天会得奖
  • 3:50 - 3:52
    此处的实证策略称为
  • 3:52 - 3:55
    断点回归设计，RD
  • 3:56 - 3:58
    RD 利用了由规则、条例
  • 3:58 - 4:01
    和出于各种分组目的
    对人员进行分类的需要
  • 4:01 - 4:05
    所引起的突变现象
  • 4:05 - 4:07
    当处理或干预取决于
  • 4:07 - 4:10
    决定变量是否能跨过阈值
  • 4:10 - 4:13
    那些刚好低于此值的人
  • 4:13 - 4:15
    成为跨过此值人的自然对照组
  • 4:15 - 4:16
    RD 不要求
  • 4:16 - 4:19
    我们试图寻求因果关系的变量
  • 4:19 - 4:22
    在临界值处出现完全不连续现象
  • 4:22 - 4:24
    我们只需要
  • 4:24 - 4:26
    这个变量的平均值
  • 4:26 - 4:27
    在临界值跳跃
  • 4:27 - 4:30
    例如，RD 可以考虑这样一个事实
  • 4:30 - 4:33
    即今年接近诺奖者
    可能会成为明年的赢家
  • 4:33 - 4:35
    在这种情况下
  • 4:35 - 4:38
    我们可以利用临界值两侧处理分配概率的突变
  • 4:38 - 4:41
    去构建工具变量，IV
  • 4:41 - 4:44
    从而对此处理效果进行估计
  • 4:44 - 4:47
    这种RD称为“模糊的”
  • 4:47 - 4:50
    但正如 Steve Pischke 和我
    在我们的第一本书中所写
  • 4:50 - 4:52
    “模糊RD就是IV“
  • 4:52 - 4:53
    - 是呀！
  • 4:53 - 4:55
    我参与的第一个 RD 研究
  • 4:55 - 4:58
    是与我经常合作的
    Victor Lavy 一起进行的
  • 4:58 - 4:59
    这项研究是为了弄清
  • 4:59 - 5:02
    小班教学的高成本
  • 5:02 - 5:04
    和不确定的回报
  • 5:04 - 5:07
    我们利用以色列小学使用的规则
  • 5:07 - 5:09
    来确定班级人数
  • 5:09 - 5:16
    该规则使得我们能在类似随机对照实验的情况下去估计班级规模的效应。
  • 5:16 - 5:19
    在 90 年代
    以色列学校班级人数很多
  • 5:19 - 5:22
    如果年级组有40个学生
  • 5:22 - 5:25
    那么大家很可能都在一个班
  • 5:25 - 5:27
    这是相关的临界值
  • 5:27 - 5:29
    再多一个孩子
  • 5:29 - 5:32
    此年级就很可能
  • 5:32 - 5:35
    被分成两个小得多的班
  • 5:35 - 5:39
    这导致了迈蒙尼德的规则研究设计
  • 5:39 - 5:41
    如此命名
    是因为12世纪的犹太学者迈蒙尼德
  • 5:41 - 5:44
    建议班级人数上限为 40 人
  • 5:44 - 5:47
    该图绘制了以色列四年级班级规模
  • 5:47 - 5:50
    作为四年级入学人数的函数
  • 5:50 - 5:52
    与理论班级规模规则
  • 5:52 - 5:54
    -迈蒙尼德规则重叠
  • 5:54 - 5:56
    两条线并不完全吻合
  • 5:56 - 5:59
    因为这个特征，我们需要运用模糊的断点回归。
  • 5:59 - 6:04
    但事件的要点是
    在每个 40 的整数倍-相关临界值处
  • 6:04 - 6:06
    班级规模都会显著下降
  • 6:06 - 6:08
    正如规则所预测的那样
  • 6:08 - 6:13
    事实证明
    与班级规模下降对应出现的情况是学生4、5年级数学成绩的
  • 6:13 - 6:15
    大幅提高。
  • 6:15 - 6:19
    测试时间
  • 6:20 - 6:23
    将诺奖获得者与失之交臂者进行比较
  • 6:23 - 6:25
    真的是一个很好的自然实验吗？
  • 6:26 - 6:28
    这种说法背后的逻辑在对分别拥有
  • 6:28 - 6:34
    40名和41名四年级学生的学校班级规模比较中
    似乎比在对诺贝尔获奖者和失之交臂者的比较中
  • 6:34 - 6:36
    更有说服力
  • 6:36 - 6:40
    然而，这两种情况都利用了
    物质世界的一个特征
  • 6:40 - 6:42
    提供了决胜变量
  • 6:42 - 6:45
    RD 专家将其称为“运行变量”
  • 6:45 - 6:47
    有连续分布
  • 6:47 - 6:51
    观察临界值周围的窄窗口
  • 6:51 - 6:52
    越过此值的概率
  • 6:52 - 6:54
    接近一半
  • 6:54 - 6:56
    在 RD 实证工作中
  • 6:56 - 6:59
    围绕此类阈值的窗口称为带宽
  • 7:00 - 7:04
    重要的是，这个极限
    概率对每个人都是 0.5
  • 7:04 - 7:06
    不管他们看起来
  • 7:06 - 7:08
    多么有资格获得诺贝尔奖
  • 7:08 - 7:11
    这一奇特现象也可以从纽约一所
  • 7:11 - 7:15
    令人梦寐以求的好学校的
    申请人数据中看出来
  • 7:15 - 7:16
    先交待一下背景
  • 7:16 - 7:20
    大约 40% 的纽约初、高中
  • 7:20 - 7:23
    根据考试成绩、等级和其他严格标准
  • 7:23 - 7:26
    来挑选他们的申请人
  • 7:26 - 7:27
    换句话说
  • 7:27 - 7:29
    筛选校的招生制度
  • 7:29 - 7:33
    很像我所设想的诺贝尔奖评审方案
  • 7:33 - 7:35
    筛选学校其实就是
  • 7:35 - 7:37
    美国大型学区系统中
  • 7:37 - 7:40
    众多高度择优录取的系统中的一员
  • 7:40 - 7:43
    在波士顿、芝加哥、旧金山
    和华盛顿特区
  • 7:43 - 7:46
    都有这种高度择优的机构
  • 7:46 - 7:48
    通常被称为考试入学的学校
  • 7:48 - 7:50
    考试入学的学校其实是
  • 7:50 - 7:51
    公立学校系统的一部分
  • 7:51 - 7:54
    公校在招收学生时，是不应筛选的
  • 7:54 - 7:56
    受筛选录取公平与否的
  • 7:56 - 7:58
    长期争议的吸引
  • 7:58 - 8:00
    我和蓝图实验室的合作者研究了
  • 8:00 - 8:03
    就读波士顿、芝加哥和纽约
  • 8:03 - 8:06
    的这些考试招生学校带来的因果效应
  • 8:06 - 8:11
    这个数据显示了
    在纽约著名的汤森哈里斯高中
  • 8:11 - 8:12
    获得一个席的可能性
  • 8:12 - 8:15
    其排名在全国居第 12 位
  • 8:15 - 8:18
    图中条高代表合格率
  • 8:18 - 8:22
    也就是说
    得分高于最低分的申请人
  • 8:22 - 8:26
    获得汤森哈里斯一个位置的可能性
  • 8:26 - 8:34
    值得说明的是
    这个条形图展示了基于申请人以前基线成绩的不同合格率
  • 8:34 - 8:37
    特别是，条高标记的合格率取决于
  • 8:37 - 8:40
    申请人 6 年级数学成绩
  • 8:40 - 8:43
    是在上四分位，还是下四分位
  • 8:43 - 8:46
    汤森哈里斯申请人中
  • 8:46 - 8:48
    基线分数高的
  • 8:48 - 8:50
    比基线分数低的人更有可能被录取
  • 8:50 - 8:52
    这并不奇怪
  • 8:52 - 8:55
    但在学校临界值附近的对称带宽
  • 8:55 - 8:57
    不断缩小的情况下
  • 8:57 - 9:00
    两组的合格率趋于一致
  • 9:00 - 9:04
    最后一组也是最小组的合格率
  • 9:04 - 9:06
    都非常接近 0.5
  • 9:07 - 9:08
    这是我们期望看到的
  • 9:08 - 9:10
    汤森哈里斯
  • 9:10 - 9:12
    可以通过掷硬币来录取学生
  • 9:12 - 9:14
    而不用选择那些
  • 9:14 - 9:17
    在学校入学考试中得高分的学生
  • 9:17 - 9:20
    即使录取是通过筛选进行的
  • 9:20 - 9:23
    数据也可以通过处理进而模仿随机控制实验
  • 9:24 - 9:28
    精英的错觉
  • 9:28 - 9:31
    我研究过的问题
  • 9:31 - 9:34
    很少有比进入考试入学的公校
    问题更具争议性了
  • 9:34 - 9:36
    比如波士顿拉丁学校
  • 9:36 - 9:39
    芝加哥的选拔制高中Payton
    和Northside
  • 9:39 - 9:42
    以及纽约传奇的Brooklyn Tech
  • 9:42 - 9:44
    Bronx Science
  • 9:44 - 9:46
    和 Stuyvesant 专业高中
  • 9:46 - 9:49
    它们培养出 14 位诺奖获得者校友
  • 9:49 - 9:52
    汤森哈里斯
    我们今天开始介绍的学校
  • 9:52 - 9:56
    毕业生中有3位诺奖获得者
    其中包括经济学家Ken Arrow
  • 9:56 - 9:57
    考试入学的支持者
  • 9:57 - 9:59
    把这些学校提供的机会
  • 9:59 - 10:02
    视为公共教育的民主化
  • 10:02 - 10:04
    他们争辩说，富裕家庭
  • 10:04 - 10:07
    可让孩子进私校学习这种课程
  • 10:08 - 10:10
    难道不应为有抱负的低收入家庭的孩子
  • 10:10 - 10:12
    提供同样的精英教育机会吗？
  • 10:13 - 10:15
    择优招生的批评者争辩说
  • 10:15 - 10:18
    与其说增加了公平性
  • 10:18 - 10:21
    其实考试择优对黑人
    和西班牙裔学生来说
  • 10:21 - 10:22
    存在固有的偏差
  • 10:22 - 10:25
    而他们是美国城市学区的学生主体
  • 10:25 - 10:28
    以纽约的超级精英校Stuyvesant为例
  • 10:28 - 10:31
    在2019 年招收的 895 名新生中
  • 10:31 - 10:34
    仅招收了 7 名黑人学生
  • 10:34 - 10:39
    但考试入学的公校的位置真的值得争取吗？
  • 10:39 - 10:42
    我和我的合作者反复使用 RD 实证策略
  • 10:42 - 10:47
    研究就读考试招生学校带来的因果效应
  • 10:47 - 10:49
    比如汤森哈里斯和波士顿拉丁
  • 10:49 - 10:51
    我们第一次对考试入学公校的研究
  • 10:51 - 10:54
    着眼在波士顿和纽约的学校
  • 10:54 - 10:56
    将这些发现概括在标题
  • 10:56 - 10:57
    “精英的错觉”中
  • 10:58 - 11:00
    “精英的错觉”指出
  • 11:00 - 11:01
    虽然这些公校的学生
  • 11:01 - 11:05
    无疑具有好的考试成绩
    和其他优秀成果
  • 11:05 - 11:08
    但这并不是上了这种学校得到的结果
  • 11:09 - 11:11
    我们的估计一致表明
  • 11:11 - 11:14
    上这种公校对学生学习
  • 11:14 - 11:17
    和上大学的因果效应为零
  • 11:17 - 11:20
    甚至可能是负面的
  • 11:20 - 11:22
    考试入学的公校学生的良好表现
  • 11:22 - 11:24
    反映出选择偏差
  • 11:24 - 11:27
    也就是说
    筛选过程选出了本身更优秀的学生
  • 11:27 - 11:29
    而不是因果关系
  • 11:30 - 11:32
    来自芝加哥考试入学公校部门的数据
  • 11:32 - 11:34
    说明了“精英的错觉”
  • 11:34 - 11:37
    这个图绘制了同龄人的平均成绩
  • 11:37 - 11:42
    也就是，我 9 年级同学
    在6 年级时的考试成绩
  • 11:42 - 11:44
    与芝加哥九所考试公校中
  • 11:44 - 11:46
    任何一所申请人
  • 11:46 - 11:49
    入学临界分值相比较
  • 11:49 - 11:52
    这些学校将申请者分成 6 等
  • 11:52 - 11:54
    他们使用共同的综合指数
  • 11:54 - 11:57
    来筛选他们的申请者
  • 11:57 - 12:00
    由入学考试成绩、GPA
  • 12:00 - 12:02
    和 7 年级标准化分数综合考虑
  • 12:03 - 12:05
    该综合决胜变量
  • 12:05 - 12:07
    是 RD 设计的运行变量
  • 12:07 - 12:12
    揭示了申请人
    在获得这种公校席位后发生了什么
  • 12:12 - 12:14
    芝加哥公校的竞争
  • 12:14 - 12:16
    实际上就是著名的
  • 12:16 - 12:19
    Gale 和 Shapley
    匹配算法的应用
  • 12:19 - 12:21
    这些公校的申请者
  • 12:21 - 12:24
    如果评分超过了学校的最低值
  • 12:24 - 12:28
    肯定会按他们择校排名
    在某校获得一个位置
  • 12:28 - 12:31
    我们称这个最低分界点
    为“合格分界点”
  • 12:32 - 12:35
    该图显示，通过芝加哥考试公校
  • 12:35 - 12:37
    资格审查的申请者
  • 12:37 - 12:39
    其平均成绩比同龄人高一大块
  • 12:39 - 12:41
    这个跳跃也反映了一个事实
  • 12:41 - 12:44
    大多数通过的申请者接受了录取
  • 12:44 - 12:47
    进了这些择优学校的人
  • 12:47 - 12:48
    也是坐在
  • 12:48 - 12:51
    9 年级教室
  • 12:51 - 12:53
    个个学习优异的同龄人
  • 12:53 - 12:57
    因为只有相对学习优异的人
    才能被录取
  • 12:57 - 13:00
    通过合格点的优秀同龄人
  • 13:00 - 13:03
    几乎等于标准差的一半
  • 13:03 - 13:04
    影响非常大
  • 13:04 - 13:07
    然而，尽管有成绩优异的同龄人
  • 13:07 - 13:09
    上这种考试入学的学校
  • 13:09 - 13:11
    似乎不会提高学习成绩
  • 13:12 - 13:16
    让我们画一下他们的决胜值
    和ACT 分数
  • 13:16 - 13:17
    该图显示
  • 13:17 - 13:21
    通过资格审核被录取的申请人
  • 13:21 - 13:24
    在 ACT 中的表现明显更差
  • 13:24 - 13:26
    如何解释这种现象？
  • 13:26 - 13:28
    我们需要借助 IV 和 RD
  • 13:28 - 13:33
    才能厘清导致这种
    有趣且出乎意料的负面影响的机制。
  • 13:33 - 13:35
    但首先，来一些IV理论
  • 13:36 - 13:40
    有点”LATE”
  • 13:40 - 13:43
    Guido Imbens 和我一起
    发展了一种理论工具
  • 13:43 - 13:45
    它提高了经济学家
  • 13:45 - 13:46
    对涉及 IV 和 RD 的
  • 13:46 - 13:48
    实证策略的理解
  • 13:49 - 13:52
    我们分享的诺奖就对这项工作的认可
  • 13:52 - 13:55
    Guido 和我在哈佛
    只一起工作了一年
  • 13:55 - 13:58
    那是我们博士毕业后
    得到的第一份工作
  • 13:58 - 14:01
    我用来迎接Guido来到马萨诸塞州剑桥市的见面礼
  • 14:01 - 14:04
    是两个有趣的工具变量。
  • 14:04 - 14:08
    我曾在我的博士论文中使用征兵抽签作为工具变量
  • 14:08 - 14:10
    来估计应征士兵
  • 14:10 - 14:13
    在武装部队服役的
  • 14:13 - 14:15
    长期经济后果
  • 14:15 - 14:17
    征兵抽签作为工具变量依赖于这样一个事实
  • 14:17 - 14:20
    即随机分配给生日的彩票号码
  • 14:20 - 14:23
    决定了越战时的征兵风险
  • 14:24 - 14:26
    然而，即便如此
    大多数士兵还是志愿的
  • 14:26 - 14:28
    就像现在一样
  • 14:29 - 14:31
    在我与Alan Krueger
  • 14:31 - 14:33
    1991年的论文中提出了使用出生季度作为工具变量
  • 14:33 - 14:35
    来估计学校教育的经济回报
  • 14:35 - 14:37
    该工具使用了这么一个事实
  • 14:37 - 14:39
    与后半年出生的男性相比
  • 14:39 - 14:40
    前半年出生的男性
  • 14:40 - 14:42
    在 16 岁时就辍学
  • 14:42 - 14:45
    从而完成的学业较少
  • 14:45 - 14:48
    Guido 和我很快开始互相发问
  • 14:48 - 14:51
    从征兵资格
    到出生季度这些自然实验
  • 14:51 - 14:53
    我们从中真正学到了什么
  • 14:54 - 14:57
    我们寻求对 IV 的新理解的早期结果
  • 14:57 - 15:00
    是在部分依从的 RCT 中
  • 15:00 - 15:02
    解决选择偏差问题
  • 15:03 - 15:05
    即使在随机临床试验中
  • 15:05 - 15:08
    一些被分配接受治疗的人
    可能会选择退出
  • 15:08 - 15:11
    这个事实长期以来
    一直困扰着进行实验者
  • 15:11 - 15:15
    因为选择退出的决定
    不是随机分配的
  • 15:15 - 15:17
    我们的第一份手稿表明
  • 15:17 - 15:21
    在部分依从性的随机试验中
  • 15:21 - 15:22
    您可以使用 IV
  • 15:22 - 15:24
    来估计治疗对病人的影响
  • 15:24 - 15:26
    即使某些人
  • 15:26 - 15:27
    拒绝接受实验
  • 15:27 - 15:29
    尽管遵守治疗的人
  • 15:29 - 15:31
    可能是一个非常特定的群体
  • 15:31 - 15:33
    但这仍然有效
  • 15:33 - 15:36
    对我们来说，不幸的是
    我们的发现太迟了
  • 15:36 - 15:39
    在发布了我们的
    第一份工作报告后不久
  • 15:39 - 15:42
    我们了解到 Howard Bloom 的
    一个简明贡献
  • 15:42 - 15:44
    其中包括这个理论结果
  • 15:44 - 15:48
    值得注意的是
    Bloom 是从第一原理推出来的
  • 15:48 - 15:50
    而没有与 IV 联系起来
  • 15:50 - 15:52
    所以Guido和我重新开始
  • 15:52 - 15:55
    几个月后，创立了 LATE 定理
  • 15:55 - 15:56
    表示如何估计
  • 15:56 - 15:59
    局部平均处理效果
  • 15:59 - 16:02
    LATE 定理概括了 Bloom 定理
  • 16:02 - 16:06
    并建立了依从性和 IV 之间的联系
  • 16:06 - 16:08
    保持临床试验的类比性
  • 16:08 - 16:12
    让“Zi”表示对象“i”是否被提供了治疗
  • 16:12 - 16:13
    这是随机分配的
  • 16:13 - 16:16
    另外，让“D1i”表示对象 i
  • 16:16 - 16:18
    在分配到治疗时的治疗状态
  • 16:18 - 16:21
    并让“D0i”表示受试者 i
  • 16:21 - 16:23
    在分配到控制组时的治疗状态
  • 16:23 - 16:25
    我使用正式的符号
  • 16:25 - 16:27
    清楚地说明 LATE 结果
  • 16:27 - 16:29
    然后用例子跟进
  • 16:30 - 16:32
    由统计学家 Don Rubin 开创的
  • 16:32 - 16:34
    LATE 框架的一个关键部分
  • 16:34 - 16:36
    是这对潜在结果
  • 16:36 - 16:38
    按照惯例
  • 16:38 - 16:40
    我分别用“Y1i”和“Y0i”
  • 16:40 - 16:42
    表示受试者 i
  • 16:42 - 16:46
    在治疗和未治疗状态下的潜在结果
  • 16:46 - 16:48
    观察到的结果
  • 16:48 - 16:51
    治疗组的 Y1i 和未治疗组的 Y0i
  • 16:52 - 16:54
    Y1i - Y0i
  • 16:54 - 16:57
    是治疗对个体 i 的因果效应
  • 16:57 - 16:59
    但我们看不到
  • 16:59 - 17:03
    因此，我们尝试估计
    某种平均因果效应
  • 17:03 - 17:05
    LATE 框架允许我们
  • 17:05 - 17:08
    在 RCT 中处理某些对照组时这样做
  • 17:08 - 17:09
    定理说
  • 17:09 - 17:14
    对于那些治疗状态因为被给予治疗而改变的人群来说
  • 17:14 - 17:19
    他们的平均因果效应就是意向性治疗（ITT)
    效应与治疗组和对照组人群的依从率差异的比值。
  • 17:19 - 17:21
    在此用数学公式表示
  • 17:22 - 17:26
    其中希腊字母 δ 表示 ITT 效应
  • 17:26 - 17:29
    希腊符号 π1 和 π2
  • 17:29 - 17:31
    分别是分配给治疗组
  • 17:31 - 17:34
    和对照组的依从率
  • 17:35 - 17:36
    本次讲座的文字版
  • 17:36 - 17:39
    深入探讨了 LATE 的思想史
  • 17:39 - 17:41
    突出 Rubin 做出的重要贡献
  • 17:42 - 17:45
    不过，就目前而言
    我想通过分享我最喜欢的
  • 17:45 - 17:49
    一个实例来使 LATE 定理具体化
  • 17:49 - 17:52
    用于特许学校的 LATE 定理
  • 17:53 - 17:54
    我将通过一个让我
  • 17:54 - 17:56
    着迷近 20 年的研究问题
  • 17:56 - 17:58
    来解释 LATE 框架
  • 17:59 - 18:00
    上特许学校
  • 18:00 - 18:02
    对学习有什么因果效应？
  • 18:02 - 18:04
    特许学校是独立于
  • 18:04 - 18:07
    传统美国公立学区
  • 18:07 - 18:09
    运作的公立学校
  • 18:09 - 18:12
    特许是公立学校的经营权
  • 18:12 - 18:14
    通常是有限的时间
  • 18:15 - 18:18
    但可续签，条件是学校表现良好
  • 18:18 - 18:20
    特许学校可以
  • 18:20 - 18:22
    自由安排课程和学校的环境
  • 18:22 - 18:25
    特许学校与传统公立学校之间
  • 18:25 - 18:27
    最具争议的区别在于
  • 18:27 - 18:28
    特许学校的
  • 18:28 - 18:30
    教职员工
  • 18:30 - 18:32
    很少加入工会
  • 18:32 - 18:34
    相比之下，大多数大城市
  • 18:34 - 18:38
    公立学校的教师工作合同
    都受工会保护
  • 18:38 - 18:41
    2010 年的纪录片《等待超人》
  • 18:41 - 18:44
    就是以“知识就是力量计划”
  • 18:44 - 18:45
    KIPP为主题的
  • 18:45 - 18:49
    KIPP 学校象征着高期望值
  • 18:49 - 18:53
    有时也称为
    “别找借口”的公共教育方法
  • 18:53 - 18:56
    此模式的特点是漫长的上课日
  • 18:56 - 18:58
    延长的学年
  • 18:58 - 18:59
    择优招聘教师
  • 18:59 - 19:02
    并重视传统的阅读和数学技能
  • 19:03 - 19:06
    美国关于教育改革的争论
  • 19:06 - 19:08
    往往集中在成绩差距
  • 19:08 - 19:10
    这是种族和民族间
  • 19:10 - 19:13
    巨大考试成绩差异的缩写
  • 19:13 - 19:15
    因为专注于少数种族的学生
  • 19:15 - 19:18
    KIPP 通常是辩论的核心
  • 19:18 - 19:19
    支持者指出
  • 19:19 - 19:23
    KIPP 非白人学生的考试成绩
  • 19:23 - 19:25
    明显高于附近学校的非白人学生
  • 19:25 - 19:28
    另一方面，KIPP 的怀疑论者
  • 19:28 - 19:30
    认为 KIPP 的显著成功
  • 19:30 - 19:33
    反映了 KIPP 吸引了良好家庭的孩子
  • 19:33 - 19:35
    他们无论在哪儿都更有可能成功
  • 19:35 - 19:37
    谁是对的？
  • 19:37 - 19:39
    正如你可能猜到的那样
  • 19:39 - 19:41
    一项随机试验可能会在
  • 19:41 - 19:43
    关于 KIPP 这种学校的辩论中
    起到决定性作用
  • 19:44 - 19:45
    就像诺奖实验
  • 19:45 - 19:48
    KIPP 的位置不是随机分配的
  • 19:48 - 19:50
    好吧，至少不完全是
  • 19:51 - 19:52
    实际上
  • 19:52 - 19:55
    马萨诸塞州
    特许学校的位置僧多粥少
  • 19:55 - 19:57
    必须通过抽签来决定
  • 19:57 - 20:00
    听起来像是个很好的自然实验
  • 20:00 - 20:02
    十多年前
  • 20:02 - 20:03
    我和我的合作者收集了
  • 20:03 - 20:06
    关于 KIPP 抽签招生的数据
  • 20:06 - 20:09
    为两项开创性的特许学校
    研究奠定了基础
  • 20:09 - 20:12
    第一个研究KIPP抽签制度
  • 20:12 - 20:15
    我们的 KIPP 分析是一个经典的 IV
  • 20:16 - 20:18
    因为许多学生在 KIPP 抽签中被选中
  • 20:19 - 20:20
    但在秋季时没入学
  • 20:20 - 20:24
    虽然有一些人没被选中
    但还是进去了
  • 20:24 - 20:28
    该图显示了申请 KIPP 一年后
  • 20:28 - 20:30
    KIPP 申请者的数学成绩
  • 20:30 - 20:32
    线上方的图显示
  • 20:32 - 20:34
    获得位置的 KIPP 申请人
  • 20:34 - 20:37
    数学标准分数接近于零
  • 20:37 - 20:39
    也就是说，接近州平均水平
  • 20:39 - 20:42
    和以前一样
    我们正在处理标准化的分数数据
  • 20:42 - 20:45
    均值为 0，标准差为 1
  • 20:46 - 20:48
    因为 KIPP 申请者 4 年级成绩
  • 20:48 - 20:51
    大约比州平均值
  • 20:51 - 20:53
    低 0.3 个标准差
  • 20:53 - 20:56
    他们能在申请KIPP一年后达到州平均水平，令人惊叹
  • 20:57 - 21:01
    相比之下，那些没被选中的人的
  • 21:01 - 21:03
    平均数学分数约为 -0.36 σ
  • 21:03 - 21:07
    即低于州平均水平0.36 个标准差
  • 21:07 - 21:11
    这是马萨诸塞州城里学生的典型分数
  • 21:11 - 21:13
    由于抽签录取是随机分配的
  • 21:13 - 21:17
    我们可以自信地说
  • 21:17 - 21:20
    在 KIPP 上学
    将数学成绩平均提高 0.36 σ
  • 21:20 - 21:24
    是很显著的效应
    在统计上也很精确
  • 21:24 - 21:26
    我们可以确信这不是偶然发现
  • 21:27 - 21:30
    在估计出被KIPP选中后能产生0.36 σ的效果后
  • 21:30 - 21:33
    我们如何获知实际上就读KIPP的成绩效应呢？
  • 21:34 - 21:36
    IV 方法将 KIPP 选中效果
  • 21:36 - 21:38
    转换为 上KIPP 的效果
  • 21:38 - 21:40
    我将使用我在
  • 21:40 - 21:43
    MRU 短期课程中这个短视频
  • 21:43 - 21:46
    来快速回顾
    这种转换背后的关键假设
  • 21:47 - 21:49
    - IV 描述了一个连锁反应
  • 21:50 - 21:52
    为什么被录取会影响成绩？
  • 21:52 - 21:55
    可能是因为它们影响特许学校的入学
  • 21:55 - 21:58
    而入特许学校能提高数学成绩
  • 21:58 - 22:03
    连锁反应中的第一环节
    称为第一阶段
  • 22:03 - 22:06
    是抽签结果对上特许学校的影响
  • 22:06 - 22:09
    第二阶段是上特许学校
  • 22:09 - 22:12
    和结果变量之间的联系
  • 22:12 - 22:14
    在这里是数学分数
  • 22:14 - 22:18
    工具变量，或简称工具
  • 22:18 - 22:22
    是引发连锁反应的变量
  • 22:23 - 22:26
    工具对结果的影响
  • 22:26 - 22:28
    称为简化式
  • 22:30 - 22:33
    这种连锁反应可以用数学公式表示
  • 22:34 - 22:38
    我们用第一阶段——被抽中对录取的影响
  • 22:38 - 22:42
    乘以第二阶段——上此校对分数的影响
  • 22:42 - 22:44
    我们得到了简化式
  • 22:44 - 22:47
    被录取对分数的影响
  • 22:48 - 22:53
    简化式和第一阶段是可观察的
    且易于计算
  • 22:54 - 22:57
    然而，上此校对成绩的影响
  • 22:57 - 22:59
    不易观察到
  • 22:59 - 23:02
    这是我们试图确定的因果关系
  • 23:03 - 23:06
    鉴于下面要讨论的一些重要假设
  • 23:06 - 23:08
    我们可以通过将简化式
  • 23:08 - 23:11
    除以第一阶段来找到上KIPP的影响
  • 23:13 - 23:15
    - [Joshua] IV 消除选择偏差
  • 23:15 - 23:17
    但就像我们所有的工具一样
  • 23:17 - 23:19
    该方案建立在一系列
  • 23:19 - 23:21
    不应被视为理所当然的假设之上
  • 23:22 - 23:25
    首先，必须有一个实质性的
    第一阶段
  • 23:25 - 23:27
    也就是说，工具变量
  • 23:27 - 23:29
    抽中或没抽中
  • 23:29 - 23:31
    变量必须真正改变
  • 23:31 - 23:34
    我们感兴趣的结果
    这里是--上 KIPP
  • 23:35 - 23:38
    在此例中
    第一阶段并没有真正的疑问
  • 23:38 - 23:39
    被抽中使
  • 23:39 - 23:42
    上KIPP 更有可能
  • 23:42 - 23:44
    并非所有的 IV 都是这样
  • 23:45 - 23:48
    其次，工具必须和随机分配一样好
  • 23:48 - 23:52
    即抽中和没抽中的
    具有相似的特点
  • 23:52 - 23:55
    这就是独立性假设
  • 23:55 - 23:59
    当然，KIPP 抽签
    确实是随机分配的
  • 23:59 - 24:02
    不过，我们应该检查是否平衡
  • 24:02 - 24:03
    确认他们具有
  • 24:03 - 24:07
    相似的家庭背景、才能等
  • 24:07 - 24:10
    本质上，我们检查
    确保 KIPP 抽签是公平的
  • 24:11 - 24:14
    不存在某些特定的申请人群有更大概率被录取
  • 24:15 - 24:18
    最后，我们要求工具变化结果
  • 24:18 - 24:20
    仅是由于我们感兴趣的变量
  • 24:20 - 24:21
    在此例中是上 KIPP
  • 24:22 - 24:25
    这个假设称为 “排除约束”
  • 24:27 - 24:29
    上KIPP的因果效应
  • 24:29 - 24:31
    因此可以写成比率
  • 24:31 - 24:32
    分子为
  • 24:32 - 24:34
    抽中对分数的影响
  • 24:34 - 24:35
    分母为
  • 24:35 - 24:37
    抽中对 KIPP 入学的影响
  • 24:37 - 24:40
    这个IV公式中的分子
  • 24:40 - 24:42
    也就是说，工具对结果的直接影响
  • 24:42 - 24:44
    有一个特殊的名称
  • 24:44 - 24:47
    这称为简化式
  • 24:47 - 24:49
    分母是第一阶段
  • 24:49 - 24:52
    排除约束通常是IV例子中
  • 24:52 - 24:55
    最棘手或最具争议的部分
  • 24:55 - 24:58
    这里，排除限制
  • 24:58 - 25:02
    相当于声称
    抽中和没抽中之间的 0.36 分差
  • 25:02 - 25:04
    完全归因于
  • 25:04 - 25:08
    上KIPP与否的0.74 差异
  • 25:08 - 25:09
    代入数字
  • 25:09 - 25:13
    上KIPP 的影响为 0.48 σ
  • 25:13 - 25:15
    数学成绩几乎增加了
  • 25:15 - 25:17
    一半的标准差
  • 25:17 - 25:19
    这是一个非常大的影响
  • 25:19 - 25:24
    究竟是谁从 KIPP 中获得了
    如此惊人的收益？
  • 25:24 - 25:27
    申请KIPP的人都看到了
    这么大的收益了吗？
  • 25:28 - 25:29
    LATE 回答了这个问题
  • 25:30 - 25:33
    通过LATE 解释
    KIPP IV 实证策略可以用
  • 25:33 - 25:37
    圣经中逾越节的故事
    阐明这一点
  • 25:37 - 25:40
    有四种类型的儿童
  • 25:40 - 25:42
    每种类型的行为都有其特征
  • 25:42 - 25:45
    为了跟踪这些孩子和他们的行为
  • 25:45 - 25:47
    我给他们取了带头韵的名字
  • 25:47 - 25:51
    像 Alvaro 这样的申请者
    特别想去 KIPP
  • 25:51 - 25:53
    如果他没中
  • 25:53 - 25:56
    他的母亲会想方设法让他上 KIPP
  • 25:56 - 25:58
    也许通过重新申请
  • 25:58 - 26:01
    像Camila这样的，如果中了
  • 26:01 - 26:03
    他们会很乐意去 KIPP
  • 26:03 - 26:06
    但如果没中，就会接受现实
  • 26:06 - 26:09
    最后，像Normando这样的申请人
  • 26:09 - 26:12
    担心 KIPP 漫长的上课时间
    以及大量的作业
  • 26:12 - 26:14
    Normando 并不想去 KIPP
  • 26:14 - 26:17
    当被告知被抽中时
    他会拒绝入学
  • 26:18 - 26:20
    Normando被称为绝不接受者
  • 26:20 - 26:22
    因为无论抽中与否
    他都不去上KIPP
  • 26:22 - 26:24
    在上KIPP 与否的另一端
  • 26:24 - 26:27
    Alvaro被称为绝对接受者
  • 26:27 - 26:29
    当抽中时，他肯定会去
  • 26:29 - 26:31
    即使没中
  • 26:31 - 26:34
    他的母亲也会想办法让他进去
  • 26:34 - 26:37
    对Alvaro和Normando来说
  • 26:37 - 26:41
    是否选择KIPP，传统上
    不受抽签影响
  • 26:41 - 26:45
    而Camilla才是那种
    赋予 IV 力量的申请人
  • 26:45 - 26:48
    该工具决定她的处理状态
  • 26:48 - 26:52
    IV 策略取决于
    像Camilla这样的申请人
  • 26:52 - 26:54
    他们被称为依从者
  • 26:54 - 26:56
    这个术语来自之前介绍的
  • 26:56 - 26:58
    随机试验领域
  • 26:58 - 27:00
    正如我们已经讨论过的
  • 27:00 - 27:05
    许多随机试验只随机化处理机会
  • 27:05 - 27:08
    而服从这种决定
  • 27:08 - 27:10
    仍然是自愿和非随机的
  • 27:11 - 27:13
    RCT遵从者是那些
  • 27:13 - 27:15
    在提供治疗机会时接受治疗
  • 27:15 - 27:17
    没有提供机会时则不治疗的人
  • 27:17 - 27:18
    有了抽签工具
  • 27:18 - 27:23
    LATE是像Camila这样的依从者上KIPP的效应
  • 27:23 - 27:28
    他们在被抽中后会去上KIPP
  • 27:28 - 27:29
    但如果没有抽中就不会去。
  • 27:30 - 27:32
    IV 方法对于
    像 Alvaro 这样的绝对接受者
  • 27:32 - 27:35
    和像Normando这样的绝不接受者
    来说是没用的
  • 27:35 - 27:37
    因为工具
  • 27:37 - 27:39
    与他们的处理状态无关
  • 27:39 - 27:42
    咦，我不是说有四种孩子吗？
  • 27:42 - 27:46
    IV 理论中的第四种儿童行为异常
  • 27:46 - 27:48
    每家都有一个！
  • 27:48 - 27:50
    这些挑衅的孩子只有
  • 27:50 - 27:52
    在他们没中后才会上 KIPP
  • 27:53 - 27:54
    实际上，LATE 定理
  • 27:54 - 27:57
    要求我们假设很少有叛逆者
  • 27:57 - 27:59
    这对于特许学校抽签工具来说
  • 27:59 - 28:00
    似乎是一个合理的假设
  • 28:00 - 28:02
    事实可能不尽相同
  • 28:02 - 28:04
    LATE 定理有时被视为
  • 28:04 - 28:07
    限制计量经济学估计的相关性
  • 28:07 - 28:10
    因为它将注意力集中在遵从组群上
  • 28:11 - 28:12
    然而，遵从者是我们
  • 28:12 - 28:15
    非常想了解的一个群体
  • 28:15 - 28:16
    在 KIPP 示例中
  • 28:16 - 28:18
    如果学校扩大
  • 28:18 - 28:21
    并在抽签中提供额外位置
  • 28:21 - 28:24
    遵从者是更可能
    被 KIPP 吸引的那些儿童
  • 28:24 - 28:26
    这有多么相关呢？
  • 28:26 - 28:27
    几年前
  • 28:27 - 28:31
    马萨诸塞州确实允许
    蓬勃发展的特许学校扩大规模
  • 28:31 - 28:34
    我实验室伙伴最近的一项研究表明
  • 28:34 - 28:35
    LATE 估计
  • 28:35 - 28:37
    就像我们刚刚为 KIPP 计算的那样
  • 28:37 - 28:39
    预测特许学校扩展后
  • 28:39 - 28:41
    所创造的学习成果
  • 28:42 - 28:46
    缩小成就差距
  • 28:46 - 28:47
    LATE 不仅仅是一个定理
  • 28:47 - 28:49
    而且是一个框架
  • 28:49 - 28:53
    LATE 框架可用于估计遵从者
  • 28:53 - 28:55
    潜在结果的整个分布
  • 28:55 - 28:59
    好像我们真的
    有对这个群体的随机试验
  • 28:59 - 29:03
    尽管背后的理论是学术性的
  • 29:03 - 29:07
    但该框架的价值在实践中易于应用
  • 29:07 - 29:10
    举例来说
    回想一下 KIPP 的研究
  • 29:10 - 29:14
    其部分原因
    是由于种族之间考试成绩的差异
  • 29:14 - 29:17
    让我们看看波士顿特许中学
  • 29:17 - 29:19
    申请人四年级数学分数的分布
  • 29:19 - 29:21
    按种族划分
  • 29:21 - 29:24
    两边的图显示了接受处理
  • 29:24 - 29:28
    和未接受处理的遵从者的的分布
  • 29:28 - 29:32
    受过处理的
    是在抽签中获得特许位置的遵从者
  • 29:32 - 29:35
    而未经处理的
    则是没有抽中位置的遵从者
  • 29:35 - 29:37
    因为这些是4年级的成绩
  • 29:37 - 29:40
    而中学是从 5 年级或 6 年级开始
  • 29:40 - 29:42
    两侧的图相似
  • 29:42 - 29:44
    两图都显示
  • 29:44 - 29:47
    黑人申请人的分数分布
  • 29:47 - 29:50
    在相应白人分数分布的左侧
  • 29:50 - 29:52
    到了8年级
  • 29:52 - 29:56
    受过处理的遵从者
    已在波士顿特许学校上完初中
  • 29:56 - 29:58
    没受处理的遵从者
  • 29:58 - 30:00
    则留在传统的公立学校
  • 30:00 - 30:02
    值得注意的是
  • 30:02 - 30:05
    下图显示黑人
    白人受处理的遵从者
  • 30:05 - 30:07
    8 年级分数分布
  • 30:07 - 30:08
    无法区分
  • 30:09 - 30:12
    波士顿特许中学缩小了
    他们之间成绩的差距​​
  • 30:13 - 30:14
    但对于没有中签的
  • 30:14 - 30:17
    黑人学生和白人学生的
    分数分布仍然存在很大差异
  • 30:17 - 30:19
    和4年级时一样
  • 30:19 - 30:22
    黑人学生落后于白人学生
  • 30:22 - 30:24
    波士顿特许学校缩小了成绩差距
  • 30:24 - 30:26
    因为那些进入特许学校
  • 30:26 - 30:27
    最落后的学生
  • 30:27 - 30:30
    往往会从特许学校入学中
    获得最大的收益
  • 30:31 - 30:34
    我在本次演讲的书面版中
    详细阐述了这一点
  • 30:35 - 30:39
    芝加哥考试学校效应解释
  • 30:39 - 30:41
    还记得芝加哥考试入学学校
  • 30:41 - 30:43
    负面影响的疑问吗？
  • 30:43 - 30:45
    我将使用 IV 和 RD
  • 30:45 - 30:50
    来解释这个令人惊讶的发现
    来结束我演讲的科学部分
  • 30:50 - 30:53
    解决这个难题始于这样一个事实
  • 30:53 - 30:56
    即经济推理是有关替代方案
  • 30:57 - 31:00
    那么，考试入学学校教育的
    替代方案是什么？
  • 31:00 - 31:03
    对于芝加哥考试入学学校的
    大多数申请者来说
  • 31:03 - 31:07
    大部分非考试选择是传统的公立学校
  • 31:08 - 31:11
    但许多被择优校拒绝的申请者
  • 31:11 - 31:13
    都进入了特许学校
  • 31:14 - 31:16
    因此，考试入学学校的录取
  • 31:16 - 31:18
    降低了上特许学校的可能性
  • 31:18 - 31:21
    具体来说，考试入学学校
  • 31:21 - 31:23
    将申请者
  • 31:23 - 31:26
    从 Noble 联合特许学校分流了
  • 31:27 - 31:30
    Noble 教育理念和 KIPP很像
  • 31:30 - 31:33
    是芝加哥最著名的特许学校之一
  • 31:33 - 31:37
    与 KIPP 一样
    Noble 令人信服的证据
  • 31:37 - 31:39
    来自招生抽签
  • 31:39 - 31:42
    此图中的 x 轴显示了 Noble
  • 31:42 - 31:45
    抽中录取对入学年份的影响
  • 31:46 - 31:48
    这是 Noble 第一阶段
  • 31:48 - 31:50
    对于 IV 设置
  • 31:50 - 31:54
    使用表示Noble抽签录取的虚拟变量
  • 31:54 - 31:56
    作为 Noble 入学工具
  • 31:56 - 31:59
    现在这个图形有一个特征
  • 31:59 - 32:02
    它有别于更简化的 KIPP 分析
  • 32:02 - 32:04
    该图显示了两组的
  • 32:04 - 32:05
    第一阶段效果：
  • 32:05 - 32:10
    一组是居住在芝加哥收入最低社区的
    Noble申请人
  • 32:10 - 32:11
    第 1 组
  • 32:11 - 32:14
    一组是居住在其高收入地区的
  • 32:14 - 32:15
    Noble 申请人
  • 32:15 - 32:16
    即 第 3 组
  • 32:16 - 32:18
    还记得 IV 连锁反应吗？
  • 32:19 - 32:20
    图中的每个点
  • 32:20 - 32:24
    都有由第一阶段简化式给出的坐标
  • 32:24 - 32:27
    因此表示一个 IV 估计
  • 32:27 - 32:30
    入学Noble对ACT成绩的影响
  • 32:30 - 32:32
    就是简化式坐标
  • 32:32 - 32:34
    与第一阶段坐标的比率
  • 32:34 - 32:37
    该图显示了两个这样的比率
  • 32:37 - 32:41
    第 1 级的相关结果为 0.35σ
  • 32:41 - 32:44
    而第 3 级为 0.33σ
  • 32:44 - 32:45
    很不错
  • 32:45 - 32:48
    对于两个级的Noble申请者
  • 32:48 - 32:50
    这些第一阶段和简化形式的估计
  • 32:50 - 32:52
    意味着每年Noble入学效应
  • 32:52 - 32:55
    大约是 ACT 数学分数标准差
  • 32:55 - 32:57
    增益的三分之一
  • 32:58 - 32:59
    请注意，图中还有一条
  • 32:59 - 33:02
    连接两个 IV 估计值的线
  • 33:02 - 33:05
    因为这条线通过原点
  • 33:05 - 33:07
    它的上升运行斜率
  • 33:07 - 33:10
    大约等于两个 IV 估计值
  • 33:10 - 33:13
    在此例中，斜率约为 0.34
  • 33:14 - 33:17
    这条线通过（ 0,0）
  • 33:17 - 33:19
    还有另一个重要的原因
  • 33:19 - 33:23
    通过这点
    我们证实了排除约束
  • 33:23 - 33:25
    具体来说
  • 33:25 - 33:27
    排除约束表明
  • 33:27 - 33:31
    给定一个群体
    Noble 录取与入学无关
  • 33:31 - 33:33
    我们应该期望看到
  • 33:33 - 33:36
    向该组中的申请人提供位置的
  • 33:36 - 33:39
    简化式效应为 0
  • 33:39 - 33:41
    每年 0.34 σ 的
  • 33:41 - 33:46
    Noble学业提高的证据有多么一致呢？
  • 33:46 - 33:47
    在下一张图中
  • 33:47 - 33:50
    我们在原来的 2 点基础上
    又增加了 12 个点
  • 33:50 - 33:53
    此处的红点显示了12 个额外组
  • 33:53 - 33:57
    第一阶段和简化式
    Noble 录取的效应
  • 33:57 - 33:59
    另外 2 个等级和 12 个组
  • 33:59 - 34:02
    是根据与种族、性别、家庭收入
  • 34:02 - 34:04
    和基线分数
  • 34:04 - 34:06
    相关的人口统计特征定义的
  • 34:06 - 34:08
    虽然不完美
  • 34:08 - 34:12
    这些点聚集在一条斜率为
    0.36 的线的周围
  • 34:12 - 34:16
    很像我们之前看到的
    第 1 级和第 3 级申请人的那条线
  • 34:17 - 34:18
    你现在可能会想
  • 34:18 - 34:20
    这个 Noble IV 估计值
  • 34:20 - 34:24
    与择优校的入学有什么关系
  • 34:24 - 34:25
    这是答案
  • 34:26 - 34:30
    正如我们所料
    这张新图中的蓝线显示
  • 34:30 - 34:32
    当申请人分数超过临界值后
  • 34:32 - 34:35
    上择优校的大幅增加
  • 34:35 - 34:37
    同时
  • 34:37 - 34:40
    红线显示的Noble入学在同一点
  • 34:40 - 34:42
    明显下降
  • 34:42 - 34:45
    这就是择优校录取
  • 34:45 - 34:48
    对Noble入学的分流效应
  • 34:48 - 34:52
    许多被择优校录取的孩子
    都会去那里
  • 34:52 - 34:55
    而不会选择Noble
  • 34:55 - 34:58
    IV 使我们有机会大胆地
  • 34:58 - 35:00
    对该因果关系背后的机制
  • 35:00 - 35:02
    提出设想
  • 35:02 - 35:04
    这是一个强有力的因果断言
  • 35:04 - 35:07
    为什么芝加哥择优校成绩会下降
  • 35:08 - 35:10
    我认为，主要促使简化式
  • 35:10 - 35:13
    择优校资格对 ACT 分数的影响
  • 35:13 - 35:16
    是择优校录取
  • 35:16 - 35:19
    对 Noble 入学的影响
  • 35:19 - 35:21
    为证明这一主张
  • 35:21 - 35:23
    考虑这里用蓝色绘制的点
  • 35:23 - 35:27
    都在 x 轴上 0 点的左侧
  • 35:27 - 35:29
    都是负值
  • 35:29 - 35:31
    因为它们标志着特定申请者群体
  • 35:31 - 35:33
    择优校资格
  • 35:33 - 35:36
    对Noble学校入学的影响
  • 35:37 - 35:39
    现在我们已经看到
  • 35:39 - 35:41
    上了Noble 的申请人
  • 35:41 - 35:44
    ACT 数学成绩得到巨大提高
  • 35:45 - 35:48
    现在，将择优校录取
  • 35:48 - 35:50
    作为 Noble 入学的工具
  • 35:51 - 35:53
    一如既往，IV 是一个连锁反应
  • 35:54 - 35:56
    如果择优校资格
  • 35:56 - 35:58
    将在 Noble 的时间减少 0.37 年
  • 35:58 - 36:00
    每年在Noble
  • 36:00 - 36:04
    都会将 ACT 数学成绩
    提高约 0.36 σ
  • 36:04 - 36:06
    我们应该期待
  • 36:06 - 36:08
    择优校资格的简化效果
  • 36:08 - 36:10
    通过上面两个数字的乘积
  • 36:10 - 36:12
    来算出降低的ACT 分数
  • 36:12 - 36:15
    也就是说，大约 0.13 σ
  • 36:15 - 36:17
    图中左侧的
  • 36:17 - 36:18
    简化式资格效果
  • 36:18 - 36:20
    与此大致一致
  • 36:21 - 36:25
    它们更接近-0.16
    而不是-0.13
  • 36:25 - 36:27
    但这种差异完全在
  • 36:27 - 36:29
    基本估计的抽样方差之内
  • 36:30 - 36:31
    这里讲述的因果例子
  • 36:32 - 36:34
    假设择优校
  • 36:34 - 36:37
    通过宣扬学校成绩好的方式
  • 36:37 - 36:39
    把好学生从特许学校吸引走了
  • 36:40 - 36:41
    换句话说
  • 36:41 - 36:44
    当我们使用择优校录取
  • 36:44 - 36:46
    作为工具变量时
  • 36:46 - 36:49
    假定了Noble入学
    满足排除约束条件
  • 36:49 - 36:51
    重要的是
    正如我们之前看到的
  • 36:51 - 36:55
    最后这个图形中
    有两组 14 个点的线
  • 36:55 - 36:57
    穿过原点
  • 36:57 - 37:00
    这个事实支持我们的排除约束
  • 37:01 - 37:02
    对于任何申请者群体
  • 37:02 - 37:05
    其择优校录取对Noble入学
  • 37:05 - 37:06
    影响很小或没有影响
  • 37:06 - 37:10
    我们应该看到 ACT 分数保持不变
  • 37:10 - 37:11
    与此同时
  • 37:11 - 37:15
    因为蓝点和红点聚集在同一条线上
  • 37:15 - 37:17
    Noble 学校和择优校录取
  • 37:17 - 37:20
    对 Noble学校入学效应的
  • 37:20 - 37:23
    IV 估计值应大致相同
  • 37:23 - 37:25
    我希望这个实证故事能令你相信
  • 37:25 - 37:30
    IV和RD方法对于理解因果关系的巨大作用。
  • 37:30 - 37:32
    几十年来，我很幸运
  • 37:32 - 37:35
    能够解决许多同样有趣的实证问题
  • 37:36 - 37:40
    实证经济学逐渐被重视
  • 37:40 - 37:43
    我在普林斯顿博士期间
  • 37:43 - 37:45
    做了抽签 IV 估计的论文
  • 37:45 - 37:47
    在一个庞然大物上计算
  • 37:47 - 37:49
    使用 9 轨磁带
  • 37:49 - 37:51
    并在公共硬盘驱动器上租用空间
  • 37:52 - 37:53
    普林斯顿研究生
  • 37:53 - 37:55
    学会了安装和操作
  • 37:55 - 37:57
    芝士蛋糕大小的磁带
  • 37:58 - 38:02
    谢天谢地，今天的实证工作
    劳动强度小一些
  • 38:02 - 38:05
    那么现代实证还有什么改进？
  • 38:06 - 38:07
    在 2010 年的一篇文章中
  • 38:07 - 38:11
    Steve Pischke 和我首创了
    “可信性革命”这个词
  • 38:11 - 38:13
    我们的意思是经济转向
  • 38:13 - 38:16
    适用于具体因果问题的
  • 38:16 - 38:18
    透明实证策略
  • 38:19 - 38:23
    就像David Card
    研究的问题一样令人信服
  • 38:23 - 38:25
    我学生时代的计量经济学
  • 38:25 - 38:28
    更多地关注模型而不是问题
  • 38:28 - 38:31
    对模型关注的时代已经基本过时
  • 38:31 - 38:35
    但计量经济学家发现有更多可做之事
  • 38:35 - 38:37
    我把热门话题和新秀
  • 38:37 - 38:39
    放在了本讲座的
  • 38:39 - 38:41
    书面版本上
  • 38:41 - 38:43
    这是我的结束语
  • 38:43 - 38:45
    我很自豪能成为
  • 38:45 - 38:48
    当代实证经济学的一部分
  • 38:48 - 38:51
    能够为它做出贡献而得到认可
  • 38:51 - 38:54
    我感到无比欣慰
  • 38:54 - 38:56
    在 80 年代后期的普林斯顿
  • 38:56 - 38:58
    我和研究生院的同学
  • 38:58 - 39:00
    在阅读 Ed Leamer 的
    悲叹时笑了起来
  • 39:00 - 39:04
    没有经济学家
    认真对待另一位经济学家的实证研究
  • 39:05 - 39:07
    这不再是事实
  • 39:07 - 39:11
    今天的实证
    渴望讲述令人信服的因果关系
  • 39:11 - 39:13
    并不是每一次努力都会成功
  • 39:13 - 39:15
    远非如此
  • 39:15 - 39:18
    但正如经济学求职者会告诉你的那样
  • 39:18 - 39:21
    认真执行和清楚解释
  • 39:21 - 39:23
    实证工作确实被认真对待
  • 39:24 - 39:27
    这是我们成功的衡量标准
  • 39:27 - 39:31
    ♪ [音乐] ♪
  • 39:34 - 39:37
    - [讲解员] 如果想从 Josh
    那里学习更多内容
  • 39:37 - 39:39
    请看看他的免费课程
    “掌握计量经济学”
  • 39:39 - 39:41
    如果您想探索 Josh 的研究方向
  • 39:41 - 39:43
    请查看说明中的链接
  • 39:43 - 39:46
    或者单击这里来观看
    Josh 更多的视频
  • 39:46 - 39:48
    ♪ [音乐] ♪
Title:
Joshua Angrist Nobel Prize Lecture 2021
ASR Confidence:
0.85
Description:
more » « less
Video Language:
English
Team:
Marginal Revolution University
Duration:
39:55

Chinese, Simplified subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.