NBER美国国民经济研究局-NBER-Using-Machine-Learning-to-Target-Treatment_-The-Case-of-Household-Energy-Use_48页_1mb

详细总结

核心内容

本文探讨了使用机器学习方法（特别是因果森林）来评估家庭能源使用行为中随机行为干预（如Home Energy Reports, HER）的异质性处理效应（Treatment Effects, TEs）。研究基于Eversource公司提供的大规模随机对照试验数据，分析了不同家庭对HER的反应差异，并评估了通过选择性干预来提高社会净效益的潜力。

主要观点

• 平均处理效应：通过面板回归估计，HER在所有Opower实验中的平均处理效应（ATE）为每月减少9千瓦时（kWh）的用电量，即1%的减少。
• 异质性显著：因果森林算法揭示了显著的异质性处理效应，家庭用电量的变化范围从-30到+10 kWh。这种异质性表明，不同家庭对HER的响应存在显著差异。
• 关键预测变量：预处理用电量和家庭价值是预测处理效应的最强变量。
• “回弹效应”：研究发现，那些用电量低于相似邻居的家庭更可能因HER而提高用电量，即“回弹效应”（boomerang effect）。
• 选择性干预的价值：通过选择性干预，社会净效益可提升12-120%，具体取决于年份和福利函数。每年可避免约50万美元至120万美元的无谓损失。
• 长期效应：HER的节能效果具有持续性，即使在干预停止后，其影响仍以每年10%-20%的速度衰减。

关键信息

数据来源与样本

• 研究数据来自Eversource的15个实验波次，覆盖902,581个家庭，共计49,491,297个家庭-月观测值。
• 数据时间范围为2013年至2018年，包括家庭的月度用电量、实验处理安排、以及横截面的家庭和人口特征。
• 数据中包含13个家庭特征，如家庭价值、用电量、家庭面积、房间数量、收入、教育水平、绿色意识评分、是否租户、是否单户住宅、是否拥有儿童等。
• 缺失值通过多重插补法进行填补。

实验设计与方法

• HER是Opower推出的一种行为干预工具，通过比较家庭用电量与相似邻居的用电量，促使家庭采取节能措施。
• 实验采用随机对照试验（RCT）方法，将家庭分为处理组和对照组。
• 使用因果森林算法来估计异质性处理效应（CATE），并利用“诚实估计”（honest estimation）方法避免过拟合。
• 通过事件研究模型分析HER干预随时间的变化效应，发现干预初期效应上升，后期继续增强。

处理效应的异质性

• 预处理用电量与家庭价值：是预测处理效应的最重要变量。
• “回弹效应”：部分家庭在收到HER后反而增加用电量，尤其是那些用电量低于邻居的家庭。
• 选择性干预的潜力：通过仅向具有正处理效应的家庭发送HER，可以显著提高净效益，每年可避免大量无谓损失。

内部与外部有效性检验

• 内部有效性：通过将样本随机分为两组，使用因果森林预测一组的CATE，并与另一组的OLS估计进行比较，发现预测结果与实际结果接近，表明因果森林具有内部有效性。
• 外部有效性：使用非随机分组进行检验，并与Lasso和传统回归方法进行比较，发现当处理组与对照组特征差异较大时，预测误差显著上升，说明因果森林在早期干预中可能面临有效性挑战，但随着数据积累，其预测能力可显著提升。

政策意义

• 选择性干预可以显著提高HER项目的效率，尤其是在项目初期，通过识别具有正处理效应的家庭，可以实现较高的社会和私人净收益。
• 85%和99%的福利增益可通过在第一年识别正效应家庭并针对性发送HER来实现，表明早期数据对于优化干预策略至关重要。

附录信息

• 数据处理：剔除了异常值家庭、参与多个实验波次的家庭、以及拥有多个房产的家庭。
• 方法细节：使用了Tibshirani等（2018）开发的“广义随机森林”（grf）R包进行因果森林估计。
• 统计检验：通过线性回归和方差分析检验处理组与对照组的协变量平衡性，仅发现家庭价值在统计上显著不同（p < 0.01）。

结论

本文展示了因果森林在评估行为干预异质性处理效应方面的强大能力，并通过实证分析表明，选择性干预可以显著提升HER项目的效率和净效益。研究结果对政策制定者和能源公司具有重要启示，即应基于家庭特征进行精准干预，以最大化社会和经济收益。