Where Do the Returns to Schooling Come From? Educational Transitions and Labor Market Payoffs

技术摘要：“受教育回报从何而来？教育转型与劳动力市场收益”

问题陈述
关于受教育回报的传统研究通常依赖于两种方法：将教育衡量为连续的“受教育年数”变量，或将受教育程度二分化为时点处理（例如，高中毕业与未毕业）。作者指出，这些概念化方式与教育转型的序列性质不匹配，即个体进行一系列相互依赖的决策（例如，高中毕业 $\to$ 大学入学 $\to$ 学位取得 $\to$ 研究生阶段）。现有的方法无法将特定教育水平的直接劳动力市场回报与其通过后续教育转型产生的间接回报区分开来。因此，政策干预无法有效地根据其是通过促进进一步教育还是通过提供直接的劳动力市场优势来提升结果进行评估。

方法论框架
本文提出了一个专门针对序列设定中**单调二元中介变量（monotonic binary mediators）**设计的因果中介框架。

• 单调性假设： 该框架依赖于教育转型具有单调性的结构特征：个体若不完成前一阶段的转型（如高中毕业），则无法完成更高层级的转型（如大学毕业）。形式化地表示，若 $M_k = 0$，则 $M_{k+1} = 0$。这一假设排除了在教育进阶背景下的“违抗者（defiers）”和“始终接受者（always-takers）”。
• 平均处理效应（ATE）的分解： 作者推导了初始教育转型（$A$）对结果（$Y$，如收入）的 ATE 分解，将其划分为 $K+1$ 个互斥的单调路径特定效应（Monotonic Path-Specific Effects, MPSEs）：
  1. 直接效应 ($\Delta_0$)：指 $A$ 对 $Y$ 的影响，且该影响扣除了所有 $K$ 个后续转型的作用。
  2. $K$ 个延续（或总）效应 ($\theta_k$)：指通过特定因果链条发挥作用的影响（例如，$A \to M_1 \to Y$，$A \to M_1 \to M_2 \to Y$）。
• 识别： 与通常需要“跨世界（cross-world）”独立性假设（即排除所有处理后混杂因素）的传统中介分析不同，本框架利用了序列可忽略性（Sequential Ignorability）。这一较弱的假设允许存在已观测到的中间混杂因素（$Z_k$），这些因素会影响中介变量与结果之间的关系，只要这些混杂因素是可测量的。单调性约束确保了分解在代数上的唯一性，并能识别所有的因果路径；而由于存在“撤回证人（recanting witness）”准则违背的问题，标准的多个有序中介变量分解往往无法识别纯粹的路径特定效应。
• 估计策略： 本文引入了两种估计方法：
  1. 去偏机器学习（DML）： 一种利用有效影响函数（EIFs）和交叉拟合（cross-fitting）的半参数估计量。该方法对模型设定错误和高维协变量具有鲁棒性。
  2. 残差回归法（RWR）： 一种使用线性模型和序列残差化的参数化方法。虽然其对模型设定错误的鲁棒性较低，但它在分解组件与回归系数之间提供了透明的联系。

实证应用与结果
本文应用该框架对 NLSY97 样本（$N=7,305$）进行分析，研究高中完成度对对数年薪（32–36岁）的影响。分析将总效应分解为：

• 高中毕业的直接效应（扣除大学阶段）。
• 通过以下路径产生的间接效应：(1) 大学入学但未获得学士学位，(2) 获得学士学位但未进入研究生阶段，以及 (3) 进入研究生阶段。

主要发现：

• 直接效应的主导地位： 高中毕业的总回报中，绝大部分（约 69–75%）是以直接方式运作的，即扣除了后续的大学入学和学位取得。估计的直接效应对应于约 59–60% 的收入溢价。
• 有限的中介作用： 通过大学入学（未获学士学位）以及通过学士学位完成（未进入研究生阶段）产生的间接效应相对较小。
  • 通过大学入学（未获学士学位）和通过学士学位完成（未进入研究生阶段）的延续效应各约占总效应的 15%。
  • 通过研究生阶段的路径微乎其微且在统计上不显著。
• 中介效应较小的机制： 本文将较小的间接效应归因于较低的反事实进阶率，而非大学学位的回报率低。即使高中毕业生去读大学，在没有进一步干预的情况下，完成学士学位或进入研究生阶段的概率也是很低的。因此，“延续”路径受到遍历整个教育链条之低概率的限制。
• 稳健性： 关于未观测混杂因素的敏感性分析表明，即便在对未观测混杂因素进行强假设的情况下，其主要发现（即回报主要由直接效应构成）依然保持稳健。

意义与贡献
本文做出了三个主要贡献：

1. 教育研究： 它提供了一种非参数化的受教育程度效应分解方法，能够区分直接的劳动力市场回报与通过进一步教育产生的中介回报。这使得人们能够更细致地理解教育回报的本质，超越了简单的“受教育年数”估算。
2. 因果中介分析： 通过利用序列转型的单调性，它扩展了路径特定效应（PSEs）的研究文献。这使得在较弱的假设（序列可忽略性）下，识别多个有序中介变量设置中的所有因果路径成为可能，而后者通常因无法识别纯粹的路径效应。
3. 方法论进步： 它引入并验证了用于单调路径特定效应的半参数估计量（DML），证明了其在面对模型设定错误时优于参数化方法（RWR）。

作者总结道，该框架适用于其他具有状态依赖性和单调转型的领域，如家庭形成（结婚/离婚）、健康进展或刑事司法接触，尽管本文的重点在于对其进行教育领域的实证演示。