上海数学与交叉学科研究院访问学者周亚虹教授与浙江财经大学潘哲文、王正新及浙江大学张俊森合作，在国际计量经济学顶级期刊 Journal of Applied Econometrics 发表论文Marginal Treatment Effects in the Absence of Instrumental Variables。研究聚焦政策评价中的一项难题：找不到可靠的工具变量时，是否仍有可能识别政策对不同人群的影响？作者提出新的边际处理效应识别与估计方法，并以美国学前教育项目展示其应用价值。
01.研究背景：识别政策对不同人的效果，通常依赖于有效的工具变量
如何判断一项学前教育计划能否提高孩子日后的收入？直接比较参加和未参加项目的人，并不能得到可靠答案：愿意报名的家庭可能本来就更重视教育，也可能拥有研究者看不到的资源。这种“自我选择”会干扰政策效果的判断。
经济学家通常借助“工具变量”寻找近似随机的参与机会，前提是它只通过参加项目影响最终结果。然而，现实中有时候很难找到符合条件的工具变量。更重要的是，即便项目总体有效，收益也可能因人而异。用于刻画这种差异的“边际处理效应”（MTE），以往在识别时通常依赖有效的工具变量。
02.核心创新：从参与决策中寻找识别信息
研究将参与决策理解为两种力量的比较：由家庭背景等可观测因素决定的“参与倾向”，与个人偏好、机会成本等难以观察的“参与阻力”。即使背景相似，人们的参与阻力仍不相同，政策收益也可能随之变化。
作者首先将参与阻力转换为其在具有相同可观测特征的人群中的相对位置，建立了一套不依赖传统工具变量假设的边际处理效应定义。在此基础上，利用两类关系的形状差异识别因果效应：对家庭背景与潜在结果之间的关系施加线性限制，同时利用背景因素与项目参与概率之间足够的非线性变化，并结合条件均值独立等假设，从观测数据中提取识别信息。论文进一步给出半参数估计方法，既刻画不同参与阻力人群的政策收益，也能计算平均处理效应等常用指标。
03.实证应用：美国学前教育项目，谁真正受益？
研究利用美国青年纵向调查（NLSY79）数据，评估面向低收入家庭儿童的 Head Start 学前教育项目。作者比较童年参加项目与接受非正式照护者在三十岁出头时的受教育年限和工资收入，并考虑性别、家庭背景等差异。
结果表明，项目的长期收益并不均匀：受教育年限的显著收益主要出现在参与阻力处于某一中间区间的人群；工资收入的显著收益则集中于参与阻力较低、原本较容易参加项目的少部分人群。在其他条件相同时，女孩的教育和收入回报也更高。尤其值得注意的是，估计出的收益与参与阻力并非简单的单调关系，过于刚性的模型可能掩盖重要的人群差异。
04.方法贡献与应用价值：为政策评价增加一条路径
这项研究为缺少可靠工具变量时的异质性因果推断提供了一条新路径，也为评估候选工具变量是否可信提供了思路。其启示并非仅仅追问一项政策“有没有用”，而是进一步识别“究竟谁从中受益”，对教育、职业培训和公共服务等领域的政策评价具有潜在价值。
需要强调的是，“不依赖工具变量”不等于“不需要假设”：新方法仍依赖潜在结果的线性限制、参与概率的非线性、条件均值独立及相关数据条件。它并非取代传统方法，而是在工具变量难寻时，提供一种有明确理论依据、可与既有方法相互参照的选择。
论文连接：https://doi.org/10.1002/jae.70052