Selecting the Most Effective Nudge: Evidence From a Large‐Scale Experiment on Immunization

政策制定者常常需要从大量候选干预组合中选择最优政策方案。本文提出了一种新方法——处理变体聚合（Treatment Variant Aggregation, TVA），用于在大规模因子设计实验中系统性地筛选和估计最优政策。在面对多维干预（如现金激励、短信提醒、社交网络大使）且每项干预有多种剂量设定时，可能的政策组合数量呈指数级增长（本研究共75种）。TVA 的核心思想是：通过哈斯图（Hasse diagram）表达因子设计结构，聚合效果无实质差异的政策变体，剪除无效组合，从而将高维问题降维为少数有意义的政策选项。为克服 LASSO 在高相关设计矩阵中的符号不一致问题，作者创新性地引入 Puffer 变换进行数据预条件化，保证支持集选择的一致性。在此基础上，进一步采用混合估计量对「最优政策效应」进行胜者诅咒（winner's curse）校正。作者将 TVA 应用于印度哈里亚纳邦开展的覆盖 915 个村庄、涉及 295,038 名儿童的大规模随机对照实验，测试小额现金激励、短信提醒和社交网络大使的不同组合对儿童免疫接种完成率的影响。结果显示，最优政策是将社交网络中的信息枢纽（information hubs）与激励和短信相结合，使麻疹疫苗接种量相对控制组提高 44%；最具成本效益的政策则是信息枢纽加短信提醒（不含激励），每美元免疫接种数提高 9.1%。政策含义方面，研究发现组合干预远优于单一干预——如果仅做并行处理实验而忽略交互效应，可能错误地得出「所有干预均无效」的结论。该研究为政策制定者提供了一套可预注册、数据驱动的政策择优框架，适用于多个领域的政策组合优化场景。