计量经济训练的长期价值，不只是获得一个更准确的预测，而是知道一项估计何时足以支持真实政策选择。东京大学经济学研究科助理教授 Shosei Sakaguchi 的公开研究主题是‘政策学习’：当伦理、法律或政治条件限制可选行动时，怎样从实验或准实验数据中设计可执行的政策规则。这一方向把计量经济、机器学习、应用微观与决策理论连在一起，适合愿意在数学条件、识别假设和现实约束之间反复校准的人。
01｜本期博士申请信息
东京大学经济学研究科设有三年制博士项目。研究科英文页面明确说明，博士申请需要日语能力，因此详细申请资料只在日文页面发布；所有申请者需要参加并通过研究科统一入学考试。本文只确认博士项目与正式入口，不把其他项目日期移用到博士周期。
在2026年7月19日，27Fall的具体安排尚不能从英文博士页面确认，因此封面采用‘27FALL · 申请准备’。准备者应直接核对日文博士申请文件、考试科目、材料格式与语言条件。研究科页面还说明，国际申请者参加与日本申请者相同的考试，没有单独通道。
公开材料不假定必须提前获得导师同意，也不展示直接联系方式。学校是否设置及如何评定奖学金或学术资助，应以正式页面和录取文件为准；本期正文不作确定性说明。
02｜导师与课题组
Sakaguchi 自2022年起任东京大学经济学部与经济学研究科助理教授，拥有京都大学经济学博士学位。教师主页和研究领域目录相互确认了他的职称与研究方向：计量经济学、机器学习和应用微观经济学。
他的核心兴趣是政策学习，即从实验或准实验数据中设计最优公共政策，尤其关注现实中可行政策受到伦理、法律或政治约束的情形。目前的两条公开主题是：怎样修改或应用机器学习方法处理政策学习问题，以及怎样设计最优动态干预规则。
已有论文研究面板数据中处理效应异质性与不可观测固定效应，包括《Journal of Applied Econometrics》2020年的平均处理效应估计，以及《Economics Letters》2016年的时变平均处理效应。这些成果提供了申请材料可具体连接的方法入口。
03｜核心研究方向
方向一是异质处理效应的计量识别。研究不只问平均政策是否有效，还要问不同个体、地区或时期的效应怎样变化，以及不可观测固定特征会造成什么偏误。适合面板数据、半参数估计、稳健推断与模拟研究。
方向二是受约束的政策学习。机器学习可以从数据中选择规则，但现实政策往往受到预算、公平、法律与可解释性限制。研究需要把约束明确写入目标函数或可行集合，并比较效用、风险和群体差异。
方向三是动态干预规则。教育、医疗和社会政策常包含多阶段选择，前期结果会影响后续行动。可使用纵向数据、动态处理方案、强化学习思想或稳健策略评估；边界是时变混杂、支持不足与模型误设。
04｜哪些背景更适合
经济学、统计学、数学、数据科学、公共政策和计算机背景都可能匹配。经济学申请者需要展示概率统计、计量理论和微观基础；统计与计算背景要补足政策目标、行为反应和政策效用解释；公共政策背景则应证明数学与编程训练足够支撑方法研究。
一份有说服力的材料通常包含至少一种可复核证据：严谨课程成绩、理论推导、模拟实验、论文复现、面板数据实证或方法型硕士论文。只列软件和模型名称，无法说明你是否理解识别条件与估计边界。
转专业者可以用一个完整的小项目补缺：从一个政策问题出发，写出潜在结果、处理规则、约束、目标函数和识别假设，再用模拟展示当假设失效时结果怎样变化。这比广泛罗列兴趣更接近博士训练。
05｜我们的申请观察
Sakaguchi 的公开研究给出一个很清楚的判断标准：预测性能不是终点。申请者必须区分三个层次——预测谁会受益、识别政策造成的因果效应、以及在约束条件下选择哪项政策。把这三件事混在一起，是政策学习计划最常见的逻辑问题。
更强的计划会明确决策者、可选行动、不能触碰的边界和评价标准。例如医疗筛查不只追求平均准确率，还要考虑资源上限、漏判代价与群体公平；教育干预不只预测分数，还要说明不同阶段怎样调整行动。
这一判断来自导师公开研究主题和研究科申请路径，不代表导师个人筛选或指导承诺。东京大学经济学研究科以统一考试为核心，申请者应把方法准备、日文申请文件与研究方向匹配同步推进。
06｜套磁信与简历怎么准备
若官方规则允许联系，邮件主题可写‘Prospective doctoral applicant – constrained policy learning and panel data’。开头可连接两项具体成果：2020年面板数据中异质处理效应的估计，以及他当前关于受约束政策学习与动态干预规则的研究。随后说明你的决策场景、数据结构和约束为什么具有理论意义。
邮件中应写清处理变量、结果变量、时间结构、识别策略和评价指标。例如，你研究公共健康资源配置，就说明预算与公平约束如何进入策略；研究教育干预，就说明时变混杂与动态选择。结尾只询问研究主题的学术契合度，并遵循研究科正式规则，不自行假定提前联系是必要步骤。
简历优先展示证明、模拟、复现和实证的完整链条。每段写出问题、本人角色、数据、方法、结果与失败点。代码仓库要有环境说明和可运行脚本；理论项目要说明你证明了什么、用了哪些条件、哪些条件不能放宽。诚实呈现限制，会比过度包装更符合方法型研究。
07｜研究计划选题
以下构思基于导师公开研究方向，不代表导师已经设定题目或承诺指导。
选题一｜资源与公平约束下的医疗筛查政策学习。项目可利用公开健康面板或合成数据，设计在预算上限、漏判成本和群体公平约束下的筛查规则。新意是把异质处理效应估计与受约束决策放在同一框架，并比较不同约束对总体效用与群体结果的影响。第一阶段先建立数据生成过程和可识别性条件，再做模拟与基准估计；主要风险是敏感变量使用、支持不足与外部有效性，可通过最小化变量、部分识别和多场景敏感性分析处理。
选题二｜分阶段教育干预的动态规则。研究使用纵向学习数据，比较固定方案与根据前期表现调整的两期或多期策略，关注时变混杂、样本流失和政策可解释性。第一年先从简化两期模型开始，明确状态、行动与结果，完成模拟和可复现实证；随后再扩展稳健策略评估。难点在于序列决策对模型误设敏感，因此需要设置保守策略与离线评价边界。
第一题偏静态约束、公平与异质效应，现实解释直接；第二题偏动态决策与长期效应，方法扩展空间更大。选择应取决于可获得数据、数学准备和对伦理边界的处理能力。
