Die bisher üblicherweise verwendeten linearen Regressionsmodelle basierten auf der impliziten Annahme, dass alle Individuen in gleicher Weise von einer Intervention betroffen sind. Diese Annahme ist jedoch häufig unplausibel. Vielmehr würde man erwarten, dass einige Menschen von einer politischen Veränderung oder einem bestimmten Programm stärker betroffen sind als andere. Einige Menschen profitieren vielleicht sehr stark, während andere in weitaus geringerem Maße davon profitieren. Die Auswirkungen könnten sich nach Quantilen unterscheiden und kontextabhängig sein. Daher ist es wichtig zu ermitteln, wer und wie viele Menschen durch eine bestimmte Reformalternative verlieren oder gewinnen. Dies bedeutet, dass nicht nur die durchschnittlichen Gewinne oder Verluste bewertet werden müssen, sondern auch die Verteilung der Auswirkungen analysiert werden sollte, insbesondere in Bereichen, in denen die Ungleichheit der Chancen oder Ergebnisse besonders wichtig ist, z. B. Bildung, Gesundheit, Einkommen und Armut. Neue ökonometrische Methoden, die auf nichtparametrischen Modellen beruhen, erlauben Analyse der Heterogenität und der VerteilungseffekteDies ermöglicht einen sehr viel differenzierteren Ansatz bei der Bewertung der Auswirkungen.

Wirkungsevaluierungen mit Heterogenitätsanalyse berücksichtigen speziell die Vielfalt zwischen Individuen und Gruppen sowie Unterschiede in den Auswirkungen, die bestimmte Interventionen haben können. Diese Heterogenität der Wirkungen muss analysiert werden, um zu erfahren, welche Intervention oder welches Programm für wen am besten funktioniert. Die Analyse der Wirkungsheterogenität bietet, wenn sie in die Analyse von kontrollierten Studien und quasi-experimentellen Designs eingebettet ist, ein interessantes Potenzial, um maßgeschneiderte optimale Lösungen zu finden und zu entwickeln.

Um ein konkretes Beispiel für Effektheterogenität zu geben, kann man sich vorstellen, dass die Bereitstellung neuer, pädagogisch angepasster Schulbücher vor allem die Lernergebnisse von Schülern verbessern würde, die zuvor schlechtere Leistungen erzielt haben. Es kann sein, dass das Programm im Durchschnitt einen Behandlungseffekt von Null hat, aber eine positive Wirkung auf leistungsschwächere Schüler hat. Im Zusammenhang mit der Gewährung von Chancengleichheit durch Bildung kann die Annahme und Ausweitung des Programms sinnvoll sein, selbst wenn die durchschnittlichen Auswirkungen gering sind. Solche Auswirkungen auf die Ungleichheit würden von herkömmlichen Regressionsmodellen nicht erfasst. Die Fähigkeit von Quantil-Behandlungseffekte die heterogenen Auswirkungen auf verschiedene Punkte einer Ergebnisverteilung zu charakterisieren, macht sie für viele Anwendungen interessant.