断点回归设计

当一项干预是否实施取决于明确的分界线时，断点回归设计（RDD）能巧妙地帮你找出因果关系。它的关键思路是：刚好高于和刚好低于分界线的人基本相同，唯一的区别是有没有接受干预，因此，比较这两组相似的人，就能估计奖学金、医疗干预或政策变化的真实效果。比如，考试得79分和81分的学生能力几乎一样，但只有81分的学生能拿到奖学金，这就形成了一次自然实验。 请注意：下次遇到有严格分界线的规则时，问问自己，刚好在线上和线下的人真的有什么不同吗？

它是怎么运作的

断点回归设计利用的是这样一种情况：是否接受干预会在某个特定门槛处突然改变。第一步是找出“驱动变量”，也就是决定是否接受干预的连续指标，比如考试分数、收入水平或选举中的得票差距。接着，研究者会把范围缩小到门槛附近的一段区间，这个区间叫作“带宽”；在这里，门槛两侧的人除了是否接受干预，在所有能观察到和观察不到的特征上都几乎相同。最后，比较门槛两侧的结果，就能估计干预的因果效应。

实际应用

教育研究者会用断点回归设计评估按考试分数门槛发放奖学金的项目。得79.9分和80.1分的学生在学业水平上几乎没有差别，但只有其中一人能拿到奖学金。同样，在政治研究中，研究者会比较以微弱优势获胜和以微弱差距落败的候选人，研究在任者优势，因为这些候选人本身的竞争力几乎一样。医疗研究则会考察按血压、胆固醇水平等临床门槛开药时，治疗产生了什么效果。

为什么它有说服力

断点回归设计的优势在于它的可信度。与许多观察性研究方法相比，它的假设清楚明确，也可以检验。如果人们无法精确操控自己的驱动变量，比如考试分数，那么门槛处的比较就相当于随机比较。不过，估计出的效果只适用于门槛附近的人，不一定能推广到远高于或远低于门槛的人。

使用时要注意什么

使用或解读断点回归研究时，要留意带宽的选择。带宽越窄，比较的两组人就越相似，但样本量也会减少。还要检查有没有操控的迹象：是否有很多人集中在刚好高于门槛的位置？如果有，比较就可能存在偏差。记住：断点回归设计告诉你的是门槛附近人群的效果，不能代表所有人。

断点回归设计由Thistlewaite和Campbell于1960年提出，如今已成为社会科学研究中最可信的准实验方法之一。这种方法的有效性依赖于连续性假设：如果没有干预，潜在结果在门槛处应当平滑变化。如果这一假设成立，观察到的结果在门槛处出现的跳跃就代表干预的因果效应。

• Imbens和Lemieux（2007）：提供了一份全面的实践指南，涵盖带宽选择、偏差校正和实施细节，至今仍是应用研究者的标准参考资料 [1]。
• Lee和Lemieux（2010）：说明当连续性假设合理时，断点回归设计能提供与随机实验相当的因果效应估计，并详细讨论了验证方法的检验 [2]。
• Angrist和Pischke（2009）：展示了断点回归设计与局部随机化的等价性，并强调它相较于其他观察性研究方法更为透明 [3]。

断点回归设计主要有两种形式。精确断点回归（Sharp RDD）中，干预分配在门槛处按确定的规则改变：门槛以上的每个人都接受干预，门槛以下的每个人都不接受干预。模糊断点回归（Fuzzy RDD）则允许不完全遵从分配规则：接受干预的概率在门槛处突然上升，但没有达到100%。两种形式都依赖相似的识别假设，也就是能够据此确定因果效应的前提。

断点回归设计有几项重要限制。第一，估计出的效果只适用于门槛附近的边缘个案，不能代表整个群体。接近奖学金分数线的学生，反应可能与远高于或远低于分数线的学生不同。第二，门槛附近需要有足够的数据；数据稀少会让估计不够精确。第三，操控驱动变量可能使研究设计失效：如果学生可以重考，或者教师在分数线附近“按成绩分布调整分数”，两组学生就可能不再具有可比性。第四，如何选择最优带宽仍有争议，不同方法可能得出不同的估计结果。最后，如果不存在门槛，或者门槛受到内生因素的操控，断点回归设计就无法估计效果。