政策评估对于完善政策设计、克服政策运行中的弊端和障碍、充分发挥政策效益具有重要作用。对于国家而言,公共政策是对社会价值的权威性分配,在财政收入有限,政府预算受到约束的情形下,评价社会资源分配是否合理,政策实施是否有效,政策生效的影响路径等都需要政策评估技术来实现。对于民众而言,政府的每一项政策,都影响着他们的生活、利益,他们也非常迫切了解一项政策是否达到最终目标以及对自己利益的影响。于国于民,政策评估都具有重要意义。长期以来我们重视政策制定,随着社会的发展,经济社会的新现象、新问题不断出现,单靠传统的经验来决策已经不能应对日益复杂的决策问题。政策评估的本质是因果分析,因果分析的早期成果大多来自哲学、心理学、医学、社会学等研究领域,随着民众对公共政策的需求和关注日益增长,以及统计学、计算机科学的发展,因果科学的研究也日渐丰富。近年来,政策评估的定量研究日渐增加,从当前研究来看,在反事实框架下研究政策效应的文献非常丰富,尤其是双重差分、倾向得分匹配、断点回归、合成控制法等经典方法在经济、管理、社会学、人口学等领域的应用取得了丰硕的成果。然而细究发现,也存在一些值得进一步关注的问题。首先,从政策评估在政策执行过程中所处的阶段来看,大多数文献都属于执行评估,侧重于因果推断,针对基于因果发现的预评估和因果解释的事后评估研究相对缺乏;其次,从研究内容来看,因果模型应用性研究较多,对方法本身的探索相对较少,如:如何发现哪些因素会影响政策结果?协变量的不同性质（混杂变量、预测变量还是工具变量）如何影响最终效应?实现政策效果的真正成因以及主要原因是什么?鉴于此,本文将以事前评估（因果发现）、执行评估（因果推断）、事后评估（因果解释）为主线构建一个政策评估研究的完整框架,并针对上面提到的三个问题,重点分析因果关系的发现、混杂因素干扰下的因果推断、因果效应分解等问题,为政策评估研究的进一步完善提供有益的探索。文章的第一部分包括导论和第一章,导论部分阐述了本文的研究背景和意义,以及国内外研究进展,并对文章的研究思路和结构进行了说明;第一章对政策评估的理论进行了回顾,重点对因果发现、因果推断框架、因果解释方法进行了概括和总结。第二部分为全文的主体部分,包含第二章到第四章,主要是对政策评估不同执行阶段进行全面分析。具体表现为,第二章事前评估,构建多层注意力扩张时间卷积网络（Multilayer Attention Dilated Temporal Convolution Networks,MADTCN）作为时序因果发现模型,重点针对数据驱动的时序因果关系发现面临的瞬时因果、滞后因果、直接因果、间接因果的发现和区分问题进行算法的设计,然后将我们的框架应用于由多个数据集组成的两个经典场景:模拟金融市场（Financial Market,FM）数据和模拟功能磁共振成像（Functional Magnetic Resonance Imaging,f MRI）数据。研究发现,除了准确预测时间序列外,MADTCN可正确识别多种因果关系,可准确发现滞后因果,整体来看算法具有优良性能。第三章执行评估,重点解决混杂因素干扰下的政策效应评估。准确评估政策效应将有助于政府决策。政策效应评估的金标准是进行随机对照试验（Randomized Controlled Trial,RCT）,不同的政策被随机在不同的群体实施。然而,完全RCT通常是高成本、不道德,甚至是不可行的。基于观测数据的政策效应评估由于其非随机性需要平衡混杂因子,但并非所有可观测协变量均属于混杂变量。大量观测的协变量可分为预处理协变量和后处理协变量,其中预处理协变量主要包含四类:工具变量（Instrumental Variables,I）、混杂变量（Confounding Variables,C）、预测变量（Predictor Variables,P）、噪声变量（Noise Variables,N）,其中工具变量I不需要控制,而混杂变量C需要控制。本文首先基于反事实回归（Counterfactual Regression,CFR）算法提出了数据驱动的可观测混杂因素联合分解反事实回归模型（CFJD＿CFR）来自动分离I、C、P、N;然后通过B＿UCF模型,即采用贝叶斯方法引入先验信息对未观测混杂因子进行度量,并估计政策效应。通过数值模拟研究发现,准确识别协变量类型能够减少政策效应估计偏差、增加估计精度,具体来说预测变量P的准确识别能够减少效应估计方差,工具变量I和混杂因子C的准确区分及精准控制能够减少估计偏差。另外,引入先验信息能够减少与已观测变量相关的未观测混杂因子造成的政策效应估计偏差。第四章事后评估,旨在通过效应分解实现政策解释。首先,类比BOD分解,基于反事实框架的均值差异分解提供一个二维处理效应分解（Two Dimensions Treatment Effect Decomposition,2D＿TED）;2D＿TED不再直接消除选择偏差,而是将选择性偏差重新调整为受关注的变量（类似于BOD中的禀赋效应）,用于估计协变量对处理效应的影响。然后,结合医学领域的因果效应分解和医学因果分析的SCC框架提出统计学中基于反事实框架的处理效应六向分解（Six Dimensions Treatment Effect Decomposition,6D＿TED）。6D＿TED不仅区分总效应（TE）中的直接效应、间接效应,而且进一步详细分解TE为纯替代效应（Pure Alternative Effect,PAE）、基准竞争效应（Reference Agonism Effect,RAE）、纯中介效应（Pure Mediation Effect,PME）、基准协同效应（Reference Synergism Effect,RSE）、中介协同效应（Mediated Synergism Effect,MSE）、中介竞争效应（Mediated Agonism Effect,MAE）等六个子效应,并提出分解后各项子效应的识别和估计方法。最后,通过实证分析验证了本文提出反事实框架下2D＿TED和6D＿TED的可行性,并与已有研究的处理效应四向分解进行了对比研究,验证了不同效应分解的区别与联系。第三部分即第五章为本文的结论部分。有效的评估是实现决策科学化、民主化的必要保证;是检验社会政策的效果、效益、效率的基本途径;是决定社会政策修正、调整、继续或终止的重要依据;是实现政策资源合理配置的基础。随着社会的发展,尤其是新经济、新业态的出现,依靠经验来决策难以达到预期效果,甚至会出现偏差。实践证明,经验决策必须向科学决策转变。利用大数据技术,采用更加科学、准确的政策效应评估方法帮助政府发现问题、总结问题、解决问题是未来的发展方向,更加准确的评估结果为完善政策、降低实施成本、提高执行效率提供重要的参考依据,进而为政府提高管理能力、服务能力、“精准”施政、智慧施政提供基础保障。