【主题】政策优化和非参因果推断
【报告人】杨海生（副教授，中山大学）
【时间】 2024年6月25日周二9:00-10:30
【地点】经济学院701会议室
【语言】中文
【主持人】张征宇教授
【摘要】针对当下学者普遍面对的“政策建议易于空泛”这一问题，本次讲座详细介绍Athey & Wager（2021）使用政策学习估计个体Treatment Effect的原理和方法，有助于政策实施者高效精准选择处理对象，同时考虑到现实中每个企业都不是独立存在的，企业间会通过相互之间的网络连接进行策略学习。在这种情况下，这些个体间不仅会进行策略学习，还会有效应溢出，即每个个体可能通过观察其他个体的行为来改进自己的策略，例如创新的协同效应。面对这些溢出效应，如何优化政策效果？这显然违背了SUTVA假设，基于此，我们通过引入基于网络的政策学习模型，探讨在当实验组个体和处理组个体之间存在干扰或溢出效应时，如何调整策略以确保政策效果的最大化。此外，我们还将深入探讨如何评估政策下不同干预措施所产生的各异效果。学者常问：如何对连续变量进行优化？如何识别产生最大边际效益的政策措施？对此，我们将借助多臂Qini曲线（Sverdrup et al., 2023），不仅能够识别哪些政策措施能够产生最大的边际效益，进而实现资源分配的最优化；还能够通过对比不同政策的多臂Qini曲线，在不同的时间节点上或整个干预周期内，直观地评估各项政策的绩效表现。这种方法的应用将极大地增强政策评估的精确性和决策的科学性。当政策处理变量是连续变量时，借助于非参数估计的灵活性，我们还可以通过非参数因果推断（Kennedy et al., 2017；Colangelo & Lee,2023；Tan & Xu,2024）对政策效果进行细化的效果评估和效能优化。
【报告人简介】杨海生，中山大学岭南学院副教授。目前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、系统性金融风险等。迄今已在《经济研究》、《管理世界》、《经济学（季刊）》、《管理科学学报》、《金融研究》、《世界经济》、《会计研究》、《系统工程理论与实践》、《ACM COMPUTING SURVEYS》、《Economic Geography》、《Journal of International Financial Markets, Institutions & Money》、《Ecological Economics》等国内外权威期刊发表学术论文40余篇。先后主持国家自然科学基金面上项目、广东省自然科学基金面上项目、广东省软科学基金面上项目等各类课题。
