Кратко: спроектируйте квази‑экспериментальное продольное исследование на административных данных + панельных опросах, используйте RDD/DiD/IV/сиблинг‑FE для каузальной идентификации, дополните микросимуляцией и качественными интервью; измеряйте долгосрочную социальную мобильность (включая IGE, доходы, занятость) и образовательное неравенство; тестируйте и внедряйте смягчающие меры через RCT/поэтапные вводы. Ниже — методология и конкретные меры.
1) Основные исходы и метрики
- Образовательные: завершение средней школы, поступление/завершение ВУЗа, уровни квалификации.
- Экономические и мобильность: годовой доход в зрелом возрасте, занятость, профессиональный статус. Оценка межпоколенной мобильности через межпоколенную эластичность дохода (IGE): $\ln Y_{child}=\alpha +{\beta }_{IGE}\ln Y_{parent}+\epsilon$.
- Неравенство: различия в средних и распределении внутри и между треками; индекс Джини/доля в верхних декалях. Разложение дисперсии: $\mathrm{Var}(Y)={\mathrm{Var}}_{between}(Y)+{\mathrm{Var}}_{within}(Y)$.
2) Данные и выборка
- Полные административные записи учащихся (оценки, треки, даты назначений, школьные характеристики), связанные с налоговыми/социальными /профессиональными регистрами для долгосрочных исходов.
- Панели учеников и родителей (ожидания, аттитюды).
- Когортные данные с достаточным горизонтом (≈20–30 лет) или подключение к административным доходным данным.
- Обеспечьте покрытие разных районов/типов школ и достаточную мощность для подгрупп (низкий/высокий SES, этнические группы).
3) Идентификация каузальных эффектов
- Regression Discontinuity Design (RDD): если отсечение по порогу теста — используйте локальную регрессию вокруг порога. Проверьте отсутствие манипуляции вокруг порога (McCrary). Модель: $Y_i=\tau \cdot D_i+f(scor{e}_i)+X_i^{\prime }\gamma +{\epsilon }_i$, где $D_i$ — индикатор перевода в более высокий/низкий трек.
- Difference‑in‑Differences (DiD): при реформе треков в некоторых округах: $\Delta Y_{it}=\alpha +\delta \cdot Pos{t}_t\times Trea{t}_i+X_{it}^{\prime }\gamma +{\mu }_i+{\lambda }_t+{\epsilon }_{it}$. Провести event‑study.
- Instrumental Variables (IV): если есть инструмент (например, случайное распределение тестовых дат, квоты, изменения правил приёмки), используйте двухшаговую регрессию: 1‑я стадия $T_i=\pi Z_i+X_i^{\prime }\eta +{\nu }_i$, 2‑я стадия $Y_i=\beta {\hat{T}}_i+X_i^{\prime }\gamma +{\epsilon }_i$.
- Сиблинг/родительские FE: фиксированные эффекты семьи/школы для контроля неизмеряемой гетерогенности: $Y_{it}=\beta T_{it}+{\alpha }_{family}+X_{it}^{\prime }\gamma +{\epsilon }_{it}$.
- Дополнительно: propensity score / IPW для коррекции отборочного эффекта при описательной оценке.
4) Оценка механизмов и динамики
- Медиаторный анализ: разложение общего эффекта на пути через качество преподавания, учебную нагрузку, ожидания. Примерная модель последовательного медиатора: $Y={\beta }_{T}T+{\beta }_{M}M+X^{\prime }\gamma +\epsilon$. Используйте байесовские/латентные методы при множественных медиаторах.
- Heterogeneity: оцените эффекты по SES, полу, этничности, начальному уровню успеваемости.
- Долгосрочная динамика: квазипанельные event‑study графики эффектов на 5, 10, 20 лет.
5) Проверки робастности и чувствительность
- McCrary test, баланс ковариат по сторонам порога (для RDD).
- Placebo‑cutoffs, фальшивые реформы, фальшивые исходы.
- Rosenbaum bounds / E‑value для оценки чувствительности к незамеченным конфаундерам.
- Разные спецификации ковариат (школьные FE, кластерные стандартные ошибки на уровне школ/округов).
6) Мощность и размеры выборки
- Примерная формула для размера выборки на разницу средних: $$n=\frac{2{\sigma }^2(z_{1-\alpha /2}+z_{1-\beta }{)}^2}{{\Delta }^2}$$ где $\Delta$ — минимально важный эффект, ${\sigma }^2$ — дисперсия исхода. Выполните расчёты для подгрупп и кластеризации.
7) Комплементарные методы
- Микросимуляция и маркoвские модели для проекции долгосрочных доходов и мобильности при разных сценариях трекинга.
- Качественные интервью с учениками и учителями для понимания каналов (социальные сети, ожидания).
- Структурные модели образования/карьеры для контрфактуальных политик.
8) Политики смягчения негативных последствий (и как их оценивать)
- Отложенное или разведённое отсечение: перевести отсечение на более поздние классы; оценить через RCT/поэтапный ввод.
- Гибкие пути и переходы между треками: механизмы пересмотра рекомендаций, летние ускоренные курсы; оценка через DiD/регистры переходов.
- Смешанные/дифференцированные классы (ability grouping внутри класса вместо отдельного трека) — RCT на уровне классов/школ.
- Фокус на ресурсах для низших треков: сокращённый класс‑размер, опытные учителя, обогащённая программа; оценка через квази‑эксперименты или RCT.
- Оценка по росту, а не по уровням: отсев на основе прогресса (value‑added) и динамические критерии.
- Программы менторства, академического консультирования и поддержки поступления в вузы для учащихся низких треков — RCT/степпед‑вэдж.
- Прозрачные и апелляционные процедуры распределения и мониторинг (dashboard показателей неравенства).
9) Мониторинг и целевые KPI
- Изменение ${\beta }_{IGE}$, разрыв по завершению школы и поступлению в ВУЗ, доля в топ‑декаде доходов, межшкольная доля вариации. Отслеживать краткосрочные (оценки, прогресс) и долгосрочные (доходы, профессия).
10) Приоритеты для исследования
- Найти источники экзогенной вариации (пороги, реформы, квоты).
- Связать школьные записи с доходными регистрами для надёжной оценки мобильности.
- Одновременное тестирование политики смягчения через рандомизацию или поэтапный ввод.
Краткая рекомендация: начните с RDD/DiD на имеющихся реформах и админданных для оценки каузальных эффектов, параллельно пилотируйте ключевые смягчающие интервенции (гибкие треки, ресурсы для низких треков) через RCT/stepped‑wedge и моделируйте долгосрочные последствия через микросимуляции.