政策评估中的反事实构建方法【课件文档】

20XX/XX/XX政策评估中的反事实构建方法汇报人:XXXCONTENTS目录01

政策评估的方法论演进与挑战02

反事实理论框架与因果效应定义03

政策因果效应的主要估计方法04

匹配方法的原理与分类CONTENTS目录05

Hsiao面板数据方法的反事实构建06

工商业用电政策评估的反事实应用07

方法比较与实践应用探讨政策评估的方法论演进与挑战01公共政策评估的研究现状与问题国内外研究方法倾向2002-2017年间，国内外公共管理领域论文呈现实证研究多、规范研究少，定量研究多、定性研究少的特点。在因果关系分析方法的应用上，国外研究更为广泛，国内研究相对不足。传统评估方法的局限性传统政策评估方法如对照组实验设计或回归分析等，易受数据选择干扰，可能导致因果关系倒置，难以准确刻画政策对经济和社会发展的真实影响，尤其在处理内生性问题上存在不足。方法论体系化建设需求当前公共政策评估研究存在方法不规范、不科学的问题，急需完善理论体系，特别是加强对因果机制框架和相关方法的比较分析，构建符合我国实际的公共政策因果效应评估方法论体系。宏观政策评估的特殊挑战微观领域广泛使用的“反事实”构建方法（如DID、匹配方法）因数据特征差异难以直接应用于宏观政策评估；而主流宏观评估方法（如VAR、DSGE）需设定复杂结构模型，工作量巨大且因果推断存在不足。实证主义与规范主义方法论的争论

实证主义方法论的核心观点实证主义强调以可观察的事实和数据为基础，运用客观、科学的方法（如定量分析）研究政策现象，旨在回答“是什么”的问题，追求评估结果的客观性和可验证性。

规范主义方法论的核心观点规范主义侧重于价值判断和伦理考量，关注政策“应该是什么”，强调政策评估需结合社会目标、道德准则和公平正义等价值取向，其结论往往带有主观性和规范性。

争论焦点：事实与价值的分离与融合实证主义主张事实与价值分离，认为评估应排除主观价值干扰；规范主义则认为事实与价值难以割裂，政策评估必然包含价值判断。反事实框架的引入，试图在二者间架起桥梁，既关注客观因果效应（实证），也为政策价值目标的实现程度评估提供基础。

对公共政策评估的影响实证主义推动了政策评估的科学化和量化发展，如反事实理论下的各种准实验方法；规范主义则提醒评估者关注政策的社会影响和公平性。当前研究趋势更倾向于整合二者优势，实现科学方法与价值理性的结合。公共管理研究方法论的变迁趋势研究范式：实证主义与定量研究的主导2002-2017年间，国内外公共管理领域论文呈现实证研究占比显著高于规范研究，定量研究方法使用多于定性研究的趋势，反映了学科对科学性和精确性的追求。因果关系分析：国内外研究差距显著在政策评估的因果关系分析方法应用上，国外研究起步早、应用广泛，国内相关研究相对滞后，亟需加强因果推断理论与方法的本土化探索与应用。理论完善需求：聚焦因果机制与方法比较现有公共政策评估理论体系尚不完善，尤其缺乏对因果机制分析框架的系统构建以及不同评估方法间适用性、优劣性的深入比较分析，制约了评估结果的科学性。政策评估中因果推断的核心地位

01实证主义与规范主义方法论的视角公共政策评估研究需关切政策干预的“因果效应”，实证主义强调通过可观测数据验证因果关系，规范主义则关注价值判断，但因果推断是连接二者、科学评估政策效果的关键。

02传统评估方法的局限与因果推断的必要性传统政策评估方法存在不规范、不科学问题，易受选择性偏误等影响，难以准确分离政策本身的效应。因果推断通过严谨的方法框架，如反事实理论，能清晰界定政策的真实影响，是解决这些问题的核心路径。

03反事实理论：因果效应评估的基石利用反事实理论可明确定义公共政策的因果效应，即政策实施组与未实施组（反事实状态）的结果差异。其数学模型能清晰反映方法论争论焦点，为政策评估提供逻辑严密的分析框架。

04推动公共政策评估科学化的关键引擎因果推断方法（如匹配法、双重差分等）的应用，有助于完善公共政策评估理论体系，提升评估结果的准确性与可信度，为政策制定者提供科学的决策依据，是我国公共政策评估研究迈向规范化、科学化的核心驱动力。反事实理论框架与因果效应定义02反事实思想的基本内涵与逻辑

反事实思想的核心定义反事实思想是指在评估某项政策效果时，不仅关注政策实施后的实际结果，更要设想如果该政策未实施（或存在其他政策干预）时可能出现的“反事实结果”，通过对比实际结果与反事实结果来科学衡量政策的真实因果效应。

公共政策因果效应的界定利用反事实理论，公共政策的因果效应可定义为：政策干预组在政策实施后的实际结果与该组在未接受政策干预情况下的潜在结果（反事实结果）之间的差异。这一界定清晰区分了政策本身的效应与其他混淆因素的影响。

反事实思想的逻辑基础：对比分析其逻辑核心在于通过构建“可比较”的反事实情景，剥离其他外部因素（如时间趋势、经济周期、个体异质性等）的干扰，从而准确识别政策干预这一“因”所导致的特定“果”，是解决政策评估中内生性和选择性偏误的关键思路。

数学模型表达与方法论焦点通过数学模型（如潜在结果模型）阐述，反事实理论能够清晰反映公共政策评估研究中关于“因果推断”与“相关关系”争论的焦点，为不同评估方法（如匹配法、双重差分法等）提供统一的理论框架和逻辑起点。公共政策因果效应的数学表达01反事实框架下的政策因果效应定义基于反事实理论，公共政策的因果效应定义为政策干预组在政策实施后的实际结果与该组若未接受政策干预（反事实状态）下的潜在结果之差。对于个体i，政策效应可表示为：τ_i=Y_i(1)-Y_i(0)，其中Y_i(1)为接受干预的结果，Y_i(0)为未接受干预的反事实结果。02平均处理效应（ATE）的数学表达平均处理效应是所有个体政策效应的平均值，数学公式为：ATE=E[Y(1)-Y(0)]。它反映了政策对总体的平均影响，是政策评估中常用的核心指标。03平均处理效应（ATT）的数学表达平均处理效应（ATT）关注实际接受政策干预群体的平均效应，公式为：ATT=E[Y(1)-Y(0)|D=1]，其中D为干预状态指示变量（D=1表示接受干预，D=0表示未接受）。ATT更侧重于评估政策对目标群体的实际影响。04反事实理论与方法论焦点的关联反事实理论通过清晰界定潜在结果，揭示了公共政策评估中因果推断的核心难题——如何准确估计反事实结果Y(0)。这一数学化表达使得选择性偏误、内生性等方法论争论焦点得以明确，为匹配法、双重差分等估计方法的发展提供了理论基础。因果推断理论的发展历程回顾

早期萌芽：哲学与统计学的奠基因果推断思想最早可追溯至哲学领域对因果关系的思辨。统计学领域中，早期相关分析和回归模型为因果探索提供了初步工具，但未能有效解决内生性和选择性偏误问题，对因果关系的界定较为模糊。

反事实理论的提出与核心地位确立反事实理论的引入是因果推断发展的关键里程碑。该理论通过定义“如果政策未实施会发生什么”的反事实状态，清晰界定了公共政策的因果效应，为后续方法发展奠定了理论基础，成为政策评估方法论争论的焦点。

主要估计方法的逐步涌现与成熟随着理论发展，一系列因果推断方法相继出现并完善，包括匹配法、双重差分法、工具变量法、断点回归法等。这些方法，尤其是准实验方法，极大地推动了公共政策评估从描述性分析向因果效应估计的转变。

从微观到宏观：应用领域的拓展因果推断理论最初在微观经济评估中广泛应用。近年来，以Hsiao面板数据方法为代表的研究，尝试将反事实思想应用于宏观政策效应评估，尽管面临数据特征差异等挑战，但为宏观政策评估提供了新的量化分析路径。自然实验：因果推断的黄金法则

自然实验的定义与核心特征自然实验是因果推断模型中的“黄金法则”，其核心特征在于政策干预的分配近似随机，或由外部突发因素（如自然灾害、政策突变）导致，从而减少选择性偏误，模拟随机试验的理想状态。

自然实验的方法论优势相比传统观测性研究，自然实验能更有效地控制内生性问题，通过对比“实验组”（受政策干预）与“对照组”（未受干预）的结果差异，清晰识别政策的净效应，为因果关系提供更可靠的证据。

自然实验在政策评估中的典型应用场景常见于政策突然实施或外部冲击场景，如2008年金融危机后多国量化宽松政策的经济影响评估，或自然灾害后救济政策对区域恢复的作用分析，均依赖自然实验框架剥离政策效应与其他干扰因素。

自然实验与准实验方法的关联性自然实验为匹配法、双重差分、断点回归等准实验方法提供理论基础，其“随机分配”逻辑是各类因果推断方法设计的参照标准，准实验方法则是在非理想条件下对自然实验逻辑的模拟与延伸。政策因果效应的主要估计方法03选择性偏误及其对评估的影响选择性偏误的定义与本质

选择性偏误是指在政策评估中，由于政策干预对象（如个体、地区、企业）的选择并非随机，导致干预组与对照组在政策实施前就存在系统性差异，从而混淆政策效应与固有差异的一种误差。其实质是政策干预的非随机性分配所带来的内生性问题。选择性偏误的产生原因

选择性偏误主要源于个体自选择（如企业主动申请政策扶持）和管理者选择（如政府倾向于将资源投入到更具潜力或更需帮助的地区），使得政策干预组和非干预组在可观测或不可观测的特征上存在预先差异，违反了简单比较的基础假设。选择性偏误对政策评估的危害

选择性偏误会导致对政策效果的错误估计，可能夸大或低估政策的真实影响。例如，若高增长潜力地区更易获得政策支持，直接比较政策前后效果会错误地将其固有增长归因于政策，从而得出政策有效的误导性结论，影响决策科学性。准实验方法的分类与应用场景

基于反事实框架的准实验方法体系准实验方法是公共政策因果效应评估的核心工具，主要包括匹配方法、双重差分法、工具变量法、断点回归法等，它们均以反事实理论为基础，通过构建政策干预的“潜在结果”来克服传统评估的内生性问题。

核心准实验方法及其适用特征1.匹配方法：适用于处理组与对照组可通过协变量或倾向值匹配的场景，如评估就业培训政策对收入的影响；2.双重差分法（DID）：适用于政策在时间和个体层面存在差异的自然实验，如地区性经济刺激政策效果评估；3.工具变量法：适用于存在未观测混淆变量时，通过外生工具变量分离政策效应，如教育回报研究中使用“出生季度”作为工具变量；4.断点回归法（RDD）：适用于政策干预基于连续变量临界值分配的场景，如高校录取分数线对学生未来收入的影响。

方法选择的关键考量因素选择准实验方法需综合评估数据特征（如面板数据/截面数据）、政策干预方式（如是否随机分配）、是否存在内生性问题及样本量大小。例如，匹配方法对样本量有较高要求，而断点回归则依赖于政策干预的明确临界规则。

典型应用案例：宏观与微观政策评估在宏观政策评估中，Hsiao面板数据方法被用于分析“四万亿”刺激计划对GDP增长率的影响，发现其长期效应接近零；在微观领域，倾向值匹配常用于评估医保政策对居民健康水平的改善效果，通过匹配参保与未参保个体的基线特征减少选择性偏误。双重差分法的原理与适用条件

双重差分法的核心原理双重差分法（DID）通过比较政策实施组（处理组）和未实施组（控制组）在政策实施前后的差异，来估计政策效应。其基本思想是利用控制组的变化趋势作为处理组的反事实结果，通过两次差分（组内差分和组间差分）剔除共同趋势和个体固定效应，从而识别政策的净效应。

双重差分法的数学模型表达假设Y_it为个体i在t时期的结果变量，D_it为政策虚拟变量（政策实施后处理组为1，否则为0），则DID模型通常表示为：Y_it=α+β*D_it+γ*T_t+δ*(D_it*T_t)+ε_it，其中δ即为政策处理效应的估计值，代表处理组相对于控制组在政策实施后的额外变化。

双重差分法的关键适用条件双重差分法有效性的核心前提是“共同趋势假设”，即如果没有政策干预，处理组和控制组的结果变量会沿着平行的趋势变化。此外，还需满足处理组与控制组的选取具有外生性，政策实施后两组间不存在交互影响或溢出效应，以及样本数据在政策前后具有可比性。工具变量法与断点回归法简介工具变量法的核心原理工具变量法通过引入与政策干预相关但与扰动项无关的工具变量，解决内生性问题，适用于存在选择偏误的场景。其关键在于工具变量需满足相关性（与政策干预相关）和外生性（与其他干扰因素无关）。断点回归法的应用逻辑断点回归法利用政策实施的临界条件（如资格门槛），将样本分为处理组与控制组，通过比较临界点附近样本的结果差异评估政策效应，适用于政策干预有明确cutoff值的情况，被视为准实验方法中的重要工具。两种方法的适用性与局限工具变量法依赖有效工具变量的寻找，实际应用中常面临“弱工具变量”挑战；断点回归法对数据在临界点附近的分布特征要求较高，且需确保无其他因素在断点处突变。二者均为反事实框架下重要的准实验方法。匹配方法的原理与分类04匹配方法的基本思路与逻辑框架

匹配方法的核心逻辑匹配方法的核心逻辑在于通过寻找与政策干预组在关键协变量特征上相似的对照组个体，构建反事实结果，从而有效消除或减少选择性偏误，以更准确地估计政策的因果效应。

匹配方法的一般操作步骤首先明确政策干预变量与结果变量，其次选取影响政策分配和结果的关键协变量，然后依据特定匹配规则将干预组个体与对照组个体进行匹配，最后比较匹配后的干预组与对照组的结果差异以评估政策效应。

匹配方法的理论基础：反事实框架匹配方法根植于反事实理论，其通过为每个干预组个体找到恰当的“替身”（即未接受干预的相似个体），以此替身的结果作为干预组个体的反事实结果，进而基于反事实理论定义和估算公共政策的因果效应。

匹配方法的目标：实现“条件独立”匹配方法致力于在控制可观测协变量后，使政策干预状态与潜在结果相互独立，即达到“条件独立假设”（CIA），从而确保干预组和对照组之间的差异主要源于政策干预，而非其他混淆因素。协变量匹配与粗糙完全匹配

协变量匹配的核心思路协变量匹配是通过直接控制影响结果的可观测变量（协变量），使干预组与对照组在协变量分布上尽可能相似，从而减少选择性偏误。其基本逻辑是依据研究对象在多个协变量上的取值，为干预组个体寻找协变量特征最接近的对照组个体进行匹配。

协变量匹配的应用特点该方法适用于协变量数量较少且可精确测量的场景，能直观保留原始协变量信息，但当协变量维度较高时，易出现“维度灾难”，导致匹配难度增加和匹配质量下降，对研究者的先验知识和协变量选择能力要求较高。

粗糙完全匹配的方法原理粗糙完全匹配通过将协变量划分为若干离散的“块”或“层”，确保每个层内同时包含干预组和对照组个体，实现对关键协变量的完全控制。其重点在于保证各层内协变量分布的平衡性，而非个体层面的精确对应，是一种简化的分层匹配策略。

粗糙完全匹配的优势与局限优势在于能处理分类协变量，降低对样本量的严格要求，且操作相对简便，可有效避免极端值对匹配结果的影响。局限是划分“块”的过程可能损失部分信息，若分层过粗可能无法完全消除偏误，适用于对协变量进行初步平衡或探索性分析阶段。马氏距离匹配的算法与步骤

马氏距离的定义与核心思想马氏距离是一种考虑变量间相关性和量纲差异的距离度量方法，其核心思想是通过协方差矩阵对数据进行标准化，从而更准确地衡量样本间的相似性。数学上定义为两个样本向量x和y之间的距离：\(d(x,y)=\sqrt{(x-y)^T\Sigma^{-1}(x-y)}\)，其中\(\Sigma\)为协方差矩阵。

马氏距离匹配的一般步骤马氏距离匹配的实施主要包括四个步骤：首先，确定政策干预组和潜在对照组；其次，选择影响政策分配和结果的关键协变量；然后，计算干预组个体与对照组个体间的马氏距离；最后，为每个干预组个体匹配距离最近的一个或多个对照组个体，构建反事实结果。

协方差矩阵的估计与应用马氏距离计算依赖于协方差矩阵的估计，通常使用对照组样本或合并样本的协方差矩阵\(\Sigma\)。通过协方差矩阵的逆矩阵\(\Sigma^{-1}\)对数据进行变换，能够消除变量间的相关性和量纲影响，使距离度量更具科学性，尤其适用于高维协变量场景。

匹配后的数据平衡与政策效应估计完成匹配后，需检验协变量在干预组和匹配对照组间的平衡性，常用标准化均值差异（SMD）等指标。平衡后，通过比较两组结果变量的均值差异，即可估计政策的平均处理效应（ATE）或平均处理效应（ATT），为公共政策评估提供量化依据。倾向值匹配的模型构建与应用

倾向值匹配的核心思路倾向值匹配通过将多个协变量综合为一个单一的倾向值（即个体接受政策干预的条件概率），以此平衡干预组与对照组在可观测特征上的分布，从而减少选择性偏误，使两组个体具有可比性。

倾向值模型的构建步骤首先，确定影响政策干预分配的协变量；其次，利用Logistic回归等方法估计个体的倾向值；然后，基于估计的倾向值对干预组和对照组个体进行匹配；最后，比较匹配后两组的结果变量差异以评估政策效应。

倾向值匹配的常见匹配策略包括最近邻匹配（为每个干预组个体匹配一个或多个倾向值最接近的对照组个体）、卡尺匹配（在一定倾向值范围内进行匹配）、半径匹配、核匹配（利用核函数对对照组个体加权平均）等多种实现方式。

倾向值匹配的应用场景与案例广泛应用于公共卫生、教育、劳动力市场等政策评估领域。例如，在评估就业培训政策效果时，可通过倾向值匹配平衡参训者与未参训者的年龄、教育程度、工作经验等特征，进而估计培训对收入的真实影响。熵平衡匹配的优势与实现方式熵平衡匹配的核心优势熵平衡匹配通过最大化样本间的熵值，实现处理组与控制组在协变量分布上的精确平衡，有效降低选择性偏误，尤其适用于高维协变量场景。熵平衡匹配的实现思路首先设定目标分布（通常为处理组或总体的协变量分布），然后通过求解最优化问题为每个控制组样本赋予权重，使加权后的控制组协变量分布与目标分布一致。与传统匹配方法的比较优势相比倾向值匹配等方法，熵平衡匹配无需预先估计倾向得分，可直接对协变量矩（如均值、方差、协方差）进行平衡，保留更多样本信息，提高估计效率。熵平衡匹配的应用场景适用于政策评估中需要严格控制多个混杂因素的情况，如公共卫生干预、教育政策效果评估等，尤其在样本量有限或协变量维度较高时表现突出。Hsiao面板数据方法的反事实构建05Hsiao方法的理论模型与假设条件Hsiao方法的理论模型Hsiao面板数据方法是一种综合应用理论和计量经济学的方法，用于处理面板数据的时序和横截面特征。它通过引入一系列控制变量和固定效应模型，将横向和纵向数据结合分析，以减小其他因素对政策效果评估的影响，提高评估准确性。关键假设：条件独立假设该方法的关键假设为条件独立假设，即外部环境不发生显著变化时，横向界面指标间的内在关联规律不随时间改变，纵向时变指标的变化趋势保持稳定。此假设是模型有效性的前提，但因实际数据生成机制未知，无法通过统计方法直接检验，需通过充分论证判断。模型构建的核心思路在反事实思想框架下，Hsiao方法通过对政策实际产生效应点T0前的横向界面指标（如构建随机森林模型）和纵向时变指标（如构建ARIMA-NAR组合时间序列模型）进行建模，再基于此模型预测T0后的反事实结果，进而与实际结果对比评估政策效应。面板数据的横向与纵向指标提取

横向界面指标的定义与特征横向界面指标指多个对象在同一时间界面上的同一条指标，其内在关联规律在外部环境不发生显著变化时不随时间改变，体现了截面数据间的相关性。

纵向时变指标的定义与特征纵向时变指标针对同一个对象，反映其指标随时间的变化趋势，若外部环境稳定，其变化趋势保持稳定，体现了时间序列数据的动态性。

指标提取的核心步骤首先基于相关度分析筛选指标，确定横向界面指标（m个）和纵向时变指标（n个），然后通过网络数据抓取等方式获取指标的历史数据，为后续建模奠定基础。政策效应点的判定与模型建模01政策效应点T0的核心判定标准政策效应点T0的判定主要基于两种关键时间节点：一是政策的官方披露或发布时间，二是政策正式生效并开始实施的时间，以此明确政策干预的起始基准。02横向界面指标建模方法针对横向界面指标（同一时间界面上多个对象的同类指标，其内在关联规律在外部环境稳定时不随时间改变），采用随机森林模型进行建模，以捕捉变量间的复杂非线性关系。03纵向时变指标建模方法对于纵向时变指标（同一对象随时间变化的指标，外部环境稳定时变化趋势保持稳定），构建ARIMA-NAR组合时间序列趋势外推模型，结合线性与非线性预测能力以提升趋势拟合精度。04基于0-T0数据的模型训练与验证利用政策效应点T0之前（0-T0时间跨度）的横向界面指标和纵向时变指标历史数据，对随机森林模型和ARIMA-NAR组合模型进行训练与参数优化，确保模型能准确反映无政策干预下的指标变化规律。反事实结果的预测与构造流程

01政策效应点判定明确政策实际产生效应的时间点T0，主要分为两种情况：一是政策披露或发布时间为T0，二是政策正式生效时间为T0，这是后续建模和预测的时间基准。

02数据建模（0-T0时间段）针对0至T0时间跨度内的数据进行建模。横向界面指标构建随机森林模型，利用其处理非线性关系和高维数据的能力；纵向时变指标采用ARIMA-NAR组合方法构建时间序列趋势外推模型，以捕捉指标随时间的变化趋势。

03反事实结果预测（T0-T时间段）基于0-T0时间段内训练得到的随机森林模型和ARIMA-NAR组合模型，对T0至T时间段的指标数据进行预测，所得到的预测结果即为反事实结果，代表了在没有该政策实施情况下的预期指标值。关键假设的敏感性分析与检验条件独立假设的核心地位在基于反事实构造的政策评估方法中，条件独立假设（即政策分配与潜在结果独立）是确保评估结果无偏的关键前提，其成立与否直接影响因果推断的有效性。敏感性分析的方法与意义敏感性分析通过系统性改变关键假设的参数（如不可观测变量的影响程度），评估其对政策效应估计结果的冲击。例如，蒙特卡罗模拟技术可量化假设违背程度与估计偏差间的关系。统计检验的局限性与替代方案由于实际数据生成机制未知，条件独立假设难以通过纯粹的统计方法直接检验。实践中，需结合理论逻辑、政策背景及稳健性分析（如替换控制组、改变模型设定）进行综合论证。假设违背的后果与应对策略关键假设轻度违背即可能导致显著估计偏差。若经论证假设难以满足，应考虑采用其他评估方法（如双重差分法、工具变量法），或通过熵平衡、样本分层等技术降低偏误影响。工商业用电政策评估的反事实应用06政策效果评估指标体系的构建

横向界面指标的选取横向界面指标指多个对象在同一时间界面上的同一条指标，其内在关联规律在外部环境稳定时不随时间改变，如不同地区的工商业用电量、人均GDP等，用于反映个体间差异。

纵向时变指标的选取纵向时变指标针对同一对象随时间变化的指标，若外部环境不变则变化趋势稳定，如特定地区历年的经济增长率、政策实施后的就业率变化等，用于捕捉时间序列动态。

政策影响指数的建立通过对单条指标在政策实施前后实际值与反事实值的差值计算，结合多维总量或混合指标的归一化处理，构建包含政策影响程度、影响时长、影响指标的综合评价指数，实现量化评估。观测数据的自动采集与预处理

多维度指标体系构建基于相关度分析提取关键指标，包括横向界面指标（如不同区域/企业的同期用电数据）和纵向时变指标（如特定对象的用电趋势数据），确保指标间相关性及内在规律稳定性。自动化数据抓取技术通过网络数据抓取工具，对确定的政策影响观测指标进行历史数据与实时数据的自动化采集，实现数据来源的标准化和时效性保障，为后续分析提供基础。数据清洗与整合对采集到的原始数据进行预处理，包括缺失值填充、异常值检测与修正、数据格式统一等，确保数据质量；将横向与纵向指标数据整合，形成适用于反事实构造的分析数据集。政策效应点T0的精准判定根据政策披露发布时间或正式生效时间，精确界定政策实际产生效应的时间点T0，为后续分阶段建模（0-T0时间段建模与T0-T时间段预测）提供时间基准。随机森林与时间序列组合建模横向界面指标：随机森林模型构建针对横向界面指标（多个对象在同一时间界面上的同一条指标，其内在关联规律在外部环境稳定时不随时间改变），采用随机森林模型进行建模。该模型能有效捕捉多个对象间指标的复杂非线性相关性，为后续反事实结果预测提供基础。纵向时变指标：ARIMA-NAR组合模型构建对于纵向时变指标（同一对象的指标随时间变化，外部环境稳定时变化趋势保持稳定），构建ARIMA-NAR组合时间序列趋势外推模型。此组合模型结合了线性（ARIMA）与非线性（NAR神经网络）预测能力，能更精准地捕捉指标的动态变化趋势。基于双模型的反事实结果构造流程首先判定政策实际产生效应点T0（披露/发布时间或正式生效时间）；其次，利用0-T0时间跨度内的横向界面指标和纵向时变指标数据，分别训练随机森林模型和ARIMA-NAR组合模型；最后，基于训练得到的模型预测T0-T时间段的指标数据，即为反事实结果。政策影响指数的计算与结果展示单指标政策影响量计算在政策实际产生效应点T0至评估时间T的时间段内，单条指标的政策影响量为该指标实际观测值与反事实构造值之差。多维指标政策影响量计算对于多维总量或混合指标，在归一化处理后将各指标的影响值加和并求差值；对于多维增速指标，将多个单期指标的平均值视为政策影响量进行差值计算。政策影响指数的构建通过整合单指标与多维指标的政策影响量，建立包含政策影响程度、影响时长、影响指标等要素的政策效果评价指数，综合反映政策的整体效应。政策效果评价结果展示生成包含政策影响程度、影响时长、影响指标的政策效果评价结果，可通过可视化方式（如图表、曲线等）直观展示政策效应的动态变化与整体情况。方法比较与实践应用探讨07匹配方法与Hsiao方法的适用性对比

数据类型与结构适应性匹配方法主要适用于微观层