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
何时需要结构模型
结构模型与简约式回归回答的问题不同，二者没有高下之分。是否采用结构模型，取决于研究问题是否要求把估计结果外推到新的政策或环境；采用结构模型意味着接受更强的模型假设和更高的计算成本。
结构估计的基本步骤
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。
注意：结构模型可以预测尚未实施的政策，但预测本身未必可信。
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。
简约式方法与结构方法的比较
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 |
实际研究中常把两者结合：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。模块 5 介绍的 Todd 与 Wolpin 对 PROGRESA 的研究即属此类。
介于简约式与完整结构模型之间的方法
模型的完整程度应由所要回答的政策问题决定。除完整结构模型外，常用的还有以下三类方法：
充分统计量方法
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。
边际处理效应
若关键问题是新政策会使哪些人参与，可以用边际处理效应把工具变量估计与政策外推联系起来，而无须设定完整的动态模型。
半结构模型
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。
完整结构模型
当政策同时改变选择、动态状态、价格或均衡时，通常需要完整求解模型并联合估计全部参数。
选择原则：从目标反事实出发确定最小的充分模型。若去掉某一部分结构后，政策问题的答案仍可由数据识别，则不必加入该部分；若去掉后答案无法定义或无法外推，则应保留。
练习：方法选择
研究需要回答下列哪些问题？（可多选）
先明确政策问题，再选择方法。
几个容易混淆的概念
估计方法不决定模型是否为结构模型
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
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。
深层参数的稳定性
把偏好或成本称为深层参数（deep parameter），只表示模型赋予它基础性的经济含义。政策变化后是否稳定，仍需经济论证和敏感性检验。
反事实分析的条件
反事实分析回答的是：若模型、参数以及模型与环境的对应关系成立，结果会如何。报告结果时要把条件、支持范围和未建模反馈一并写出。