我国正处于改革攻坚阶段和发展关键时期。在努力实现经济增长方式转变与产业结构优化的过程中，一项重要的任务是对国家与地方出台的各项政策，特别是经济政策予以正确评估，以便发现问题、总结经验，对政策适时微调，为制定新政策与配套措施提供借鉴。政策评估计量经济学(econometrics of policy evaluation)是现代计量经济学的前沿分支之一，它将自然试验的思想与结构模型相结合，通过发展识别估计各种因果效应的统计推断方法，为科学评估政策的有效性与利弊得失提供方法论支持。
经济系统的高度复杂性、有限理性个体的自选择行为以及可获得数据的局限性，使得评价一项政策或一次重大事件的影响并不像看起来那样容易。利用大容量的微观数据评估一项政策的难点主要在于以下三方面。
***，数据缺失问题。假设政府准备实施一项旨在鼓励企业通过技术升级提升生产率的政策。假如可以同时观测到同一家企业在该政策实施前的生产率Y0以及政策实施后的生产率Y1，那么二者之差无疑度量了政策对该企业的净效应。但是，现实中我们一般只能观测到个体在已实现状态下的结果，即Y=DY1+(1-DY0)，其中D=1表示个体参与了政策，D=0表示个体未参与政策。这意味着无法识别单个企业的政策效应。以上问题被称为政策评估的根本问题。为了克服它，经济学家需要在一定假设下，利用已知数据预测个体在未知处理状态下出现的反事实结果。
第二，混杂因素(confounder)的干扰问题。在政策评估的许多问题中，简单地将事件发生前后的结果做差分，得到的估计量往往同时混合了政策效应之外其他干扰因素的影响。例如，需要评估国家某一重大经济刺激政策对某一地区GDP的拉动作用。简单地将该地区在政策实施前后的GDP相减后得到的数值，至少混合了以下三个因素的作用：一是该重大经济刺激政策对GDP的作用；二是与该重大政策同时发生的，其他中小规模政策对经济的影响；三是即使没有任何经济政策，该地区自然的经济增长。为了从各种混杂因素中剥离出所要研究政策的净效应，计量经济学常用的方法是倾向得分匹配法(propensity score matching,PSM)以及双重差分法(difference in differences,DID)。
第三，不可观察的个体异质性。这是微观数据的基本特性之一。在政策评估中，不可观察异质性主要带来两方面的问题。***先，个人在决定是否参与政策时，不可观察的个人偏好以及对政策后果的理性预期与结果方程中的扰动项产生相关，导致政策不再是一场真正意义上的自然试验，因而具有内生性。这种由不可观测变量导致的内生性无法由PSM加以消除，经常需要工具变量的介入。这为识别与估计政策效应带来了难度。其次，越来越多的经济学家发现，即使控制了所有观测变量，政策对个体的影响依然因人而异。近年来，计量经济学家开始转向对政策分布/分位数处理效应的识别与估计，这一趋势体现了对政策评估中不可观察异质性的关注与重视。
数据缺失等问题导致政策效应一般不能在个体层面得到识别。常用的度量政策效应的参数包括平均处理效应(average treatment effect,ATE)，它是个体处理效应在整个人群上的期望值，反映了政策效应对所有人的平均值。除此以外，还有处理组平均效应(average treatment effect on the treated,ATET)，它是个体处理效应在处理组人群上的期望，反映了政策效应在受到政策影响那部分个体中的平均值。无论ATE还是ATET，它们的共同特点是用单一参数简洁刻画政策对某个感兴趣群体的平均效应。
近年来，研究者在利用处理效应模型评估经济政策时，越来越重视分析政策的分位数处理效应(quantile treatment effect,QTE)与分布处理效应(distributional treatment effect,DTE)，而不仅仅着眼于ATE。出现这种趋势，一方面是因为政策对因变量分布尾端人群的影响程度往往不同于对因变量分布中段人群的影响；另一方面，众多有关社会福利、平等性问题的回答都有赖于研究者了解政策效应在整个受众人群中的分布情况。以中国在1999年起实行的大学扩招政策为例。在短短几年内，中国的高等教育迅速由精英教育过渡到大众教育时代。目前中国高等教育毛入学率达到40%，普通高等院校年招生规模突破700万大关，居世界***。长久以来，对高等教育扩张的讨论焦点之一就是扩招政策是否真的有助于减少收入不平等，增进社会公平。如果只估计由大学扩招引起的教育回报率变化的ATE，那么充其量只能了解到这一政策提升了人们的平均工资，但是难以知道政策如何影响不同时期人们的工资分布，从而无法回答有关收入不平等方面的问题。为了回答有关收入不平等的问题，可以通过估计在扩招政策实施不同时期的QTE/DTE，帮助理解政策带来的异质性影响。