Estimating Welfare Effects in a Non-Parametric Choice Model: The Case of School Vouchers

该研究开发了一套新的稳健离散选择工具，用于在外生、离散的价格变异条件下估计个体对价格补贴的平均支付意愿及其对需求的影响。出发点是一个非参数、不可分离的选择模型，其中福利参数可表示为各选项的需求函数。外生的离散价格变异（如教育券随机分配实验）揭示需求在观测价格处的值，但福利参数通常依赖需求在未观测价格处的值，从而引发部分识别问题。传统方法通过参数化需求函数（如 logit）实现点识别，但可能仅关注特定需求函数而驱动福利估计和政策结论。该文的核心方法论贡献是展示如何刻画在更灵活的需求设定下我们能学到什么。在完全非参数设定下，需求函数空间是无限维的，参数通常仅部分识别。作者通过巧妙利用参数的几何结构以及数据和形状限制提供的信息，将无穷维识别集的计算转化为有限维优化问题。扩展包括：降维方法以保证大规模问题的可计算性、加入参数限制的灵活参数化分析、以及考虑潜在流动性约束的框架——后者允许教育券通过放松支付能力约束产生额外福利。作者将该工具应用于华盛顿特区 OSP 教育券项目，发现当前教育券金额及一系列反事实金额均能产生正的且可能很大的净福利收益。正面效应归因于项目中低价学校的受欢迎程度：若移除这些学校，净收益可能转为负值。与 logit 模型的比较显示，logit 参数化将注意力局限于对教育券需求较低的需求函数，福利估计仅为券面值的约四分之一，而该文的上界显示可达券面值的一半以上；在考虑流动性约束时差异更为显著。作者提供了开源 Python 软件包 npdemand。