实验验证的数字孪生技术研究新进展

Raj Chetty、Jamie Fogel、Lawrence F. Katz、Kadeem Noray、Sonya Porter 和 James Reisinger 发表了一篇新论文：现代项目评估优先采用随机对照试验（Randomized Controlled Trials, RCTs）的证据，因为先前的研究发现，项目影响的观测估计值往往与实验基准存在显著差异。

在大规模行政数据（administrative data）时代，我们重新审视了这一基于小型调查数据集的发现。我们利用涵盖 1999 年至 2025 年所有美国成人的匿名所得税记录，通过机器学习模型，根据先前工作经历、人口统计学和居住地等丰富数据预测反事实（counterfactuals），从而评估劳动力培训项目对收入的影响。

我们没有测试我们的观测估计值是否存在偏差，而是利用 37 个 RCTs 来估计其偏差分布。我们发现，我们的机器学习估计值与 RCT 估计值高度吻合，其均方根误差（Root Mean Squared Error, RMSE）与 RCT 本身相当。

由于我们拥有更大的样本和更丰富的协变量，从而允许对反事实进行更灵活、更高维度的建模，我们的方法使均方根误差（RMSE）比先前工作中所使用的参数估计量降低了 60%。将我们的方法应用到实验样本之外更广泛的地点和注册年份，我们发现项目对收入的处理效应在不同地点和不同时间存在显著差异，甚至在特定项目内也是如此。

将更多参与者安排到目标行业工作的项目会产生最大的收入增长，其影响甚至在参与者离开最初的工作后仍然持续。这些发现为改进职业培训项目提供了指导，从更广泛的意义上说，它说明了一种可扩展的项目评估方法，即利用观测数据构建经实验验证的“数字孪生（digital twins）”。

这类工作将彻底改变经济学方法。这篇文章最初发布于 Marginal REVOLUTION，标题为 Experimentally validated digital twins。