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，居世界第一。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。北京3月天气https://www.uzai.com/tourbook/10214u620/。