设计型 / 简约式证据
强项：利用随机实验、DID、IV、RD 等外生变化，透明地估计特定环境下的政策效果。
局限：推广到新政策、新价格或均衡变化时，仍需额外假设。
课程目录 · 已完成 0 / 7 个模块
先判断：
真的需要结构模型吗？
结构模型不是“更高级的回归”。先判断研究问题是否需要行为外推，再决定是否承担更强模型假设和更高计算成本。
一句话理解结构估计
经济行为模型 + 数据中的识别信息 → 估计行为/技术参数 → 检验模型 → 在明确边界内做反事实
例如，我们不只问“发放机械化服务代金券后，采纳率提高多少”，还想知道农户如何权衡服务价格、距离和经营规模， 进而比较“补贴 20%”“小农户定向补贴”“改善服务可达性”等尚未同时实施的方案。
重要纠偏：结构模型能做未实施政策的预测，不等于预测自动可信。
可信度来自参数识别、模型拟合、样本外验证、敏感性分析，以及反事实没有超出数据支持范围。
简约式与结构式：分工不同，不是高低之分
结构模型
强项：把选择、约束和均衡写明，估计可用于反事实的参数。
局限：结论可能对函数形式、信息结构、未观测异质性和均衡假设敏感。
| 问题 | 设计型证据更擅长 | 结构模型更擅长 |
|---|---|---|
| 已实施代金券效果 | 随机处理组与对照组的平均处理效应 | 解释不同农户为何反应不同 |
| 新补贴方案 | 若没有对应变异，只能有限外推 | 在模型与参数稳定假设下模拟 |
| 机制 | 可通过机制实验或中间结果检验 | 显式刻画偏好、成本和约束 |
| 市场反馈 | 局部处理效应可能不含价格与进入反应 | 可扩展到供给、进入或一般均衡 |
最有说服力的做法往往是组合：用实验或准实验识别关键参数、检验模型预测，再用结构模型比较没有直接实验过的政策。 Todd 与 Wolpin 的 PROGRESA 研究就是后面会学习的经典例子。
不必在“一个回归”和“完整大模型”之间二选一
模型做多完整，取决于目标政策问题，而不是研究者能写多少公式。课程课件特别提醒了三类中间路线：
只识别政策公式真正需要的对象
若福利或最优税公式只需要一个弹性和少数份额，可以直接估这些充分统计量，不必复原整套偏好分布。
刻画政策改变的参与边际
当关键问题是“新政策会推动哪类人参加”，可以用边际处理效应连接工具变量与政策外推，不一定搭完整动态模型。
只结构化最关键的机制
保留可信的行为约束或会计关系，其他部分用更灵活的经验函数表示；但仍要明确哪些反事实依赖哪些假设。
新制度改变多条行为边际
当政策同时改变选择、动态状态、价格或均衡，才更可能需要完整求解并联合估计。
一个实用标准：从目标反事实倒推最小充分模型。删掉某个结构后若政策答案仍可由数据识别，就先不加；删掉后答案无法定义或无法外推，才保留它。
方法选择练习
你的研究最需要回答哪些问题？可多选。
先明确政策问题，再选择方法。
三个容易混淆的标签
估计方法不决定研究是否结构化
普通 logit 也是 MLE，但只有当效用、选择集、参数含义和反事实映射被明确写出时，它才承担结构模型的角色。
估计与校准不同
估计用数据和抽样理论确定参数并量化不确定性；校准常从外部文献或目标矩指定参数。二者可以结合，但必须标明来源。
“深层”不等于天然稳定
把偏好或成本称为 deep parameter，只表示模型赋予它底层含义。政策变化后是否稳定，仍需经济论证和敏感性检验。
反事实不是水晶球
反事实是“如果模型、参数和环境映射成立会怎样”。报告结果时要把条件、支持范围和未建模反馈一并写出。