2014年-世界发展银行全球_Designing_Experiments_to_Measure_Spillover_Effects_56页_1mb

报告摘要

总结：设计实验以衡量溢出效应

核心内容

本论文探讨了如何设计实验来衡量个体间的溢出效应（spillover effects），即一个个体接受某种干预后，其对其他个体产生的影响。传统的随机对照实验（RCT）通常假设个体之间没有相互影响，因此无法有效识别溢出效应。本文提出了一种新的实验设计方法——随机饱和度设计（Randomized Saturation Design, RS design），通过在集群内随机分配干预强度，从而能够识别和估计这些复杂的溢出效应。

主要观点

溢出效应的重要性
- 溢出效应在多个经济领域中是一个重要的问题，例如教育、医疗和社会网络等。
- 传统实验设计无法捕捉这些效应，因此需要新的方法来处理。
随机饱和度设计（RS design）的定义
- RS设计分为两个阶段：首先随机分配每个集群的干预强度（saturation），然后根据该强度随机分配个体的干预状态。
- 每个集群的干预强度 $\pi_c$ 是一个介于0和1之间的值，表示该集群中接受干预的个体比例。
- 在RS设计中，个体的干预状态与集群的干预强度相关，从而引入了个体间的相关性。
RS设计的优势
- RS设计能够识别多种新的干预效应，包括：
  - 意向治疗效应（Intention to Treat, ITT）
  - 非治疗个体的溢出效应（Spillover on the Non-Treated, SNT）
  - 总因果效应（Total Causal Effect, TCE）
  - 唯一治疗个体的治疗效应（Treatment on the Uniquely Treated, TUT）
  - 治疗个体的溢出效应（Spillover on the Treated, ST）
- RS设计允许研究者在处理溢出效应的同时，提供一个清晰的反事实基准。
RS设计的局限性
- RS设计在识别平均效应时，可能会降低统计功效（power），因为其在处理溢出效应时引入了更多的变异。
- 研究者需要在识别溢出效应和统计功效之间进行权衡。
统计功效与设计选择
- 统计功效取决于多个因素，包括干预效应大小、集群内相关性（Intra-Cluster Correlation, ICC）以及干预强度的分布。
- RS设计允许研究者通过调整干预强度的分布来优化统计功效，例如通过设置合适的纯控制组（pure control）比例和干预强度的多样性。
实证应用
- 本文通过马拉维的现金转移项目（cash transfer program）实证展示了RS设计的应用。
- 研究发现，虽然平均溢出效应较小，但随着干预强度的增加，溢出效应在非受益者中增强，而在受益者中减弱。
- 在社会网络中，RS设计能够提供外生的干预强度变化，从而识别溢出效应。

关键信息

定义：
- 纯控制组（Pure Control）：集群中未接受任何干预的个体。
- 集群内控制组（Within-Cluster Control）：在有干预的集群中未接受干预的个体。
- 干预强度（Saturation）：集群中接受干预的个体比例。
假设：
- 无跨集群干扰（Assumption 1）：个体的结局只受同一集群内其他个体的干预影响。
- 分层干扰（Assumption 2）：个体的结局不受其他个体干预状态的排列顺序影响。
- 随机效应误差结构（Assumption 3）：个体的误差项包含集群层面的随机效应和个体层面的随机误差。
估计方法：
- 使用饱和度权重（Saturation Weights）来调整不同干预强度集群的数据权重，以获得一致的总体效应估计。
- RS设计能够提供一致的估计，包括平均ITI、SNT、TCE、TUT和ST。
统计功效计算：
- 最小可检测效应（Minimum Detectable Effect, MDE）是判断研究是否能有效检测干预效应的标准。
- MDE依赖于干预强度的分布、效应大小、ICC等参数。
结论：
- RS设计为研究溢出效应提供了一个系统性的框架。
- 它能够帮助研究者识别多种新的效应，并为未来的实验设计提供理论指导。
- 尽管RS设计在识别溢出效应方面有优势，但它在检测平均效应时可能降低统计功效。

实证应用

研究背景：在马拉维进行的现金转移实验中，研究者随机分配了不同干预强度的集群。
研究目的：评估现金转移对青少年教育结果、婚姻和怀孕率的影响。
研究发现：
- 平均溢出效应较小，但随着干预强度的增加，非受益者可能受益。
- 纯控制组的婚姻和怀孕率未显著上升，表明干预并未通过“转移效应”（diversionary effects）抵消其正面影响。
- 社会网络中的干预强度变化能够提供外生的溢出效应估计。