2024年4月30日下午，山西财经大学智能管理会计研究院特邀北京大学光华管理学院助理教授解海天在积雅楼四层工商管理一级学科工作坊作题为“Data-driven Policy Learning for a Continuous Treatment”的专题报告，智能管理会计研究院的骨干教师与部分研究生参加了此次活动。

解海天2023年毕业于美国加州大学圣地亚哥分校，主要研究方向为因果推断理论，包括工具变量、断点回归等因果推断方法的非参数/半参数识别与估计，以及基于因果模型的政策分析评估、政策学习与统计决策等。研究成果发表于Journal of Business and Economic Statistics, Journal of Econometrics, Oxford Bulletin of Economics and Statistics 等国际期刊。

解海天围绕Motivation、The model and welfare regret、Semi-data-driven procedure、Double robustness、Optimal job training length五个方面展开讲座，为在座师生讲述了一种前沿的计量经济学方法。首先，解海天介绍了本文的研究动机，他指出，目前绝大多数涉及政策分析的研究都是采用离散型变量，即对政策是否实施进行简单的0-1赋值，而现实社会中的许多政策的实施会带来持续的影响，因此需要采用连续型变量来表示。本文研究了具有连续型、无混淆性条件下的政策学习方法，目标是在以无限Vapnik-Chervonenkis（VC）维度为特征的政策集合中寻找近似的最优政策。

其次，解海天介绍了研究具体模型和方法。本文采用基于核方程的逆倾向加权法来估计政策福利。初步分析表明，理论上的最优福利和估计福利之间的差值由三个组成部分：偏误、方差和错误项。因此，为平衡偏误项和方差项，需要同时选择用于估计的最佳带宽和用于估计政策福利的近似最优策略。为了应对这一挑战，本文引入了一种带有惩罚函数且由数据驱动的半参数估计方法。这种方法在不知道误差的前提下，巧妙地平衡了最优福利和估计福利之间差值的三个组成部分。最终，本文得出了比目前文献中可用的更清晰的缺陷边界。在倾向评分未知的情况下，本文采用了双重稳健的阶矩条件（doubly robust moment condition）以适应连续型政策变量设定。

随后，解海天通过实证研究阐述了本文所提出方法的具体应用，该研究从计量经济学方法的角度丰富了关于最优政策实施的文献。

最后，在场师生与解海天进一步交流探讨，这不仅增加了大家的学术素养，也让大家学到一种前沿的计量经济学方法，讲座在全场师生的热烈掌声中圆满结束。

（智能管理会计研究院 安卫华 供稿）