由經濟學家Raj Chetty、Jamie Fogel、Lawrence F. Katz、Kadeem Noray、Sonya Porter與James Reisinger共同撰寫的一篇新工作論文指出，建構於大規模行政數據之上的機器學習模型，可以以媲美隨機對照試驗（RCT）的精確度估算職業訓練計畫對收入的影響。論文全文PDF可透過Opportunity Insights取得。

從小型調查到全國稅務數據

現代的計畫評估長期以來優先採用隨機對照試驗（RCT）的證據，在這類試驗中，參與者被隨機分配到實驗組與對照組，使計畫的效果能與其他因素隔離。政府與研究人員依賴這類實驗，是因為觀察性研究對計畫影響的估算屢屢被發現與實驗基準有顯著落差——經濟學家自1980年代起便指出這一問題。新論文的作者指出，這些早期的研究結論是基於小型的調查數據集。本研究在大規模行政數據時代重新檢視這一問題——在當前環境下，基於成本、後勤或倫理因素，政府為其所營運的每一項計畫都進行實驗幾乎不可行。行政數據提供了另一種證據基礎：在日常政府職能運作過程中產生的紀錄——報稅便是其中之一——涵蓋整個人口，而非早期落差研究結論所依據的小型調查樣本。

研究人員利用涵蓋1999年至2025年全美成年人的匿名所得稅紀錄，估算職業訓練計畫對收入的影響。機器學習模型根據過往工作經歷、人口統計特徵與居住地點等豐富數據，預測反事實結果——即參與者在未參加計畫的情況下本可獲得的收入。

媲美實驗基準

作者並非檢驗觀察性估算是否無偏，而是利用37項RCT來估算其偏差的分布——這是一項橫跨數十個獨立實驗的驗證，而非僅以單一基準試驗為依據。機器學習估算結果與RCT估算結果高度吻合，其均方根誤差（RMSE）——一種衡量估算值與目標近似值之間差距的標準指標——與RCT本身相當。根據論文，相較於以往研究使用的參數化估計方法，該方法將RMSE降低了60%，原因在於更大的樣本量與更豐富的協變數，得以建構更靈活、更高維度的反事實模型。

收益集中在何處

將該方法應用於實驗樣本之外更廣泛的地點與參訓年份後，論文發現計畫對收入的處理效應因地點與時間而有顯著差異，即使在同一計畫內部亦然——這意味著同一計畫可能因營運地點與時間不同而產生截然不同的回報。將更多參與者安置到目標產業職位的計畫，產生最大的收入增幅，且即使參與者離開最初的職位，影響仍然持續。

作者指出，這些發現為改進職業訓練計畫提供了指引，更廣泛而言，展示了一種可規模化的計畫評估方法：利用觀察性數據建構經實驗驗證的「數位孿生」。在這一框架下，實驗仍扮演核心角色，作為數據驅動估算結果進行校準與檢驗的基準，而行政數據則將評估延伸至隨機對照試驗未涵蓋的地點、年份與計畫。該論文將此方法應用於職業訓練領域，其能否推廣至其他政策評估領域，仍有待後續研究證明。

這篇論文於2026年11月11日獲得由Tyler Cowen與Alex Tabarrok創辦的經濟學部落格Marginal Revolution報導。其 accompanying 評論毫不含糊：「這類研究將徹底革新經濟學方法。」

作為一篇工作論文，該研究目前以研究人員通常用來在期刊發表及同儕審查之前公開研究成果的形式流傳，這些結果仍處於研究過程的早期階段。

Chetty與Katz均是哈佛大學的經濟學家。Chetty主持Opportunity Insights，這是一家設於哈佛、專注於經濟機會與階層流動的研究機構，其網站發表了這篇工作論文。Katz是一位勞動經濟學家，長期研究工資、教育與技術變革。