合成控制法与机器学习的应用：劳动力 deregulation 对巴西工人生产率影响的研究

本文提出了一种基于机器学习的合成控制（SC）方法，即“机器控制”方法，用于估计政策干预的因果效应。该方法结合了聚类算法、监督学习和流形学习技术，以实现更数据驱动的估计结果。

核心观点
传统的合成控制方法在控制单元选择和加权步骤中存在主观性，而机器控制方法通过自动化和灵活的算法，提高了估计结果的可靠性和效率。

关键数据和研究结论

• 应用案例：本文以巴西2017年劳动制度改革为例，评估其对工人生产力的影响。改革旨在通过减少招聘和解雇成本、促进集体谈判等方式提高生产力，政策制定者预期每年可增加1.5%-2.0%的生产力增长。
• 机器控制方法：
  • 使用亲和传播算法自动选择供体池，避免了主观选择偏差。
  • 采用随机森林进行非线性加权，提高了估计的灵活性。
  • 利用t-SNE流形学习技术评估合成控制的质量，通过低维嵌入空间直观展示目标单元与合成控制之间的相似性。
• 研究结论：机器控制估计结果显示，巴西劳动制度改革并未显著影响工人生产力，与政策制定者的预期相反。这一结果指出了提高生产力水平的挑战，即随之而来的经济福利提升的挑战。
• 潜在解释：可能的原因包括低单个工资成本对外生性带来的对生产效率较低企业的利好、工作场所的人力资本积累激励减少，以及工企之间信任或参与度水平的下降等。

未来研究方向
进一步研究为何劳动市场去管制未能提高工人生产率，以及如何通过其他结构性改革推动经济增长。此外，机器控制方法还可应用于其他领域，如金融监管和异常检测，以识别异常变动或标记需要进一步审查的实体。