断点回归与门限回归比较.docxVIP

断点回归与门限回归比较

一、引言：从因果推断到结构分析的计量工具演进

在计量经济学的工具箱里，断点回归（RegressionDiscontinuity,RD）与门限回归（ThresholdRegression,TR）是两把各有锋芒的“利器”。前者像精准的手术刀，用于解剖政策或自然断点处的因果效应；后者如多面棱镜，擅长捕捉变量间非线性关系中的结构突变。作为在实证研究中频繁被调用的方法，二者常被初学者混淆——同样涉及“临界点”，同样关注变量关系的突变，却在底层逻辑、适用场景和操作细节上大相径庭。本文将以“比较”为核心，从原理到实践层层拆解，力求为研究者提供一把“辨别钥匙”，更重要的是，帮大家理解“何时用断点、何时选门限”的底层逻辑。

二、断点回归：基于外生断点的因果识别利器

（一）核心思想与模型设定

断点回归的“初心”是解决因果推断中的内生性难题。想象这样一个场景：某地区规定，居民年收入超过X元则无法享受低保补贴。这时候，年收入刚好在X元上下的家庭，除了是否获得低保外，其他特征（如教育水平、家庭人口）理论上应高度相似——因为收入是连续变量，不会因为“刚好超过X元”就突然改变其他属性。这种情况下，低保政策的“断点”（X元）就像一场“自然实验”，断点两侧的个体可近似看作随机分配的处理组与对照组，从而能通过比较两组结果变量的差异，识别出低保政策的真实效果。

从模型形式看，标准断点回归可分为清晰断点（SharpRD）和模糊断点（FuzzyRD）。清晰断点中，个体是否接受处理（如获得低保）由驱动变量（如收入）严格等于或超过断点决定，模型通常表示为：

(Y_i=+D_i+f(X_i-c)+_i)

其中，(D_i)是处理变量（(D_i=1)当(X_ic)，否则0），(c)是断点值，(f())是驱动变量与断点差的多项式函数（常用线性或二次项），用于控制驱动变量本身对结果的影响。模糊断点则更常见，处理状态与驱动变量的关系不是100%确定（如某些收入超过X元的家庭仍可能获得低保），此时需要用工具变量法，将(D_i)作为内生变量，用(X_ic)作为工具变量估计因果效应。

（二）经典应用场景与案例

断点回归的“用武之地”多与政策或制度设计中的外生断点相关。例如教育领域，某国规定8月31日前满6周岁的儿童可当年入学，9月1日后出生的则需次年入学。这时候，8月31日就是一个清晰断点，比较8月底和9月初出生儿童的后续学业表现，能估计“提前一年入学”对教育成就的因果影响。再如公共卫生领域，某疫苗接种项目规定65岁以上老人免费接种，65岁生日就是断点，通过比较65岁前后老人的健康指标变化，可评估疫苗的实际效果。

我曾参与过一项关于“中考加分政策”的研究，当时选择的断点是“少数民族考生加10分”。驱动变量是考生的实际分数（不含加分），断点设在“加分后能上重点高中的最低原始分”。通过分析断点附近考生（原始分略低于和略高于该值）的大学录取率差异，我们发现加分政策确实提高了重点高中入学率，但对大学层次的提升效果有限——这正是断点回归在政策评估中“精准定位因果”的典型体现。

（三）关键假设与检验方法

断点回归的可靠性依赖两个核心假设：一是驱动变量在断点处的分布是连续的（即个体无法精确操纵驱动变量跨越断点），二是除处理变量外，其他影响结果的变量在断点处连续变化。为了验证这些假设，研究者通常会做两方面检验：

1.驱动变量的密度检验：用McCrary检验查看断点处驱动变量的分布是否存在跳跃（若存在，可能说明个体操纵了驱动变量）。比如在入学年龄研究中，若8月31日前后出生的儿童数量突然减少或增加，可能意味着家长为让孩子提前入学修改了出生日期。

2.协变量的连续性检验：检查断点两侧的控制变量（如家庭收入、父母教育）是否有显著差异。若某协变量在断点处跳跃，说明可能存在其他干扰因素，因果推断的可信度会打折扣。

三、门限回归：捕捉内生结构突变的非线性工具

（一）理论框架与模型形式

门限回归的“使命”是揭示变量间关系的非线性特征，核心思想是：当某个解释变量（门限变量）超过或低于某个临界值（门限值）时，被解释变量与其他解释变量的关系会发生结构性变化。例如，货币政策对经济增长的影响可能在通胀率超过3%时由正向转为负向，这时候3%就是一个门限值，门限回归能帮我们找到这个值，并估计不同区间内的系数差异。

门限回归的基本模型可表示为：

(Y_i=_1’X_iI(q_i)+_2’X_iI(q_i)+_i)

其中，(q_i)是门限变量，()是待估计的门限值，(I())是示性函数。当门限变量(q_i)小于等于()时，模型使用(_1)；超过()时使用