断点回归设计在政策评估中的局限性.docxVIP

断点回归设计在政策评估中的局限性

引言

在公共政策评估领域，断点回归设计（RegressionDiscontinuityDesign，简称RDD）因其“准实验”特性，被视为能够有效识别政策因果效应的重要工具。它通过利用政策实施中自然存在的“断点”（如年龄阈值、考试分数临界线、收入标准等），将接近断点的个体近似视为随机分配的实验组与对照组，从而在无需随机对照试验的情况下，较为可靠地估计政策效果。这种方法自20世纪90年代起逐渐成为经济学、社会学等领域的研究热点，尤其在教育、医疗、社会保障等政策评估中被广泛应用。然而，任何方法都有其适用边界，RDD的优势背后隐藏着一系列不可忽视的局限性。这些局限性既源于其理论假设的严格性，也受制于现实数据与操作环境的复杂性。深入探讨这些局限性，不仅有助于研究者更理性地选择评估方法，也能为政策评估结果的科学解读提供参考。

一、理论假设的严格性与现实偏离

断点回归设计的核心逻辑是“局部随机化”，即假设在断点附近，个体无法精确操控分配变量，从而使得断点两侧的个体在未观测特征上不存在系统性差异。这一逻辑建立在若干关键假设之上，但现实中这些假设往往难以完全满足，导致评估结果出现偏差。

（一）连续性假设的脆弱性

连续性假设是RDD的理论基石，它要求在断点附近，未受政策干预的潜在结果变量（即反事实结果）关于分配变量的函数是连续的。换句话说，若没有政策干预，断点两侧个体的结果变量应呈现平滑变化的趋势。然而，现实中政策实施可能伴随其他配套措施或溢出效应，导致连续性假设被破坏。

例如，某地区为提升基础教育质量，规定中考分数达到某一临界值的学生可进入重点高中。此时，RDD的连续性假设要求：若没有重点高中政策，分数略高于和略低于临界值的学生在未来学业成就上应遵循相同的增长趋势。但实际中，重点高中的设立可能吸引优质教师资源向临界值附近倾斜，或引发家长为子女“冲刺”临界值而额外投入补习，这些行为会改变断点附近学生的教育资源获取模式，导致潜在结果函数在断点处出现非连续性跳跃。这种情况下，RDD估计的“政策效应”可能混杂了其他干预因素的影响，无法准确识别目标政策的真实效果。

（二）分配变量无操纵性的理想与现实矛盾

RDD要求个体无法精确操纵分配变量以跨越断点，否则会导致断点两侧样本的非随机分布（即“自选择偏差”）。例如，在扶贫政策中，若家庭收入是分配变量，且政策规定收入低于某一标准的家庭可获得补贴，那么部分家庭可能通过转移财产、隐瞒收入等方式“操纵”收入数据，使自身刚好低于断点。此时，断点附近的样本不再是“自然”分布，低断点侧可能聚集了更多“策略性”个体，其未观测特征（如风险偏好、社会资源）与断点上侧个体存在显著差异，导致局部随机化假设失效。

即使个体无法完全操纵分配变量，“模糊操纵”（如通过努力使分配变量接近断点但未精确跨越）也可能影响结果。例如，在奖学金政策中，学生可能为接近分数断点而调整学习策略，导致断点附近学生的学习动机、时间投入等变量出现系统性差异，进而影响最终学业成绩的评估结果。这种情况下，RDD估计的效应可能包含了“操纵行为”本身的影响，而非单纯的政策效应。

（三）政策干预的“纯净性”难以保证

RDD假设政策干预仅通过分配变量的断点起作用，即除目标政策外，没有其他政策或事件在同一断点处对个体产生影响。但现实中，公共政策往往具有关联性，同一分配变量可能被多个政策共享。例如，年龄作为常见的分配变量，可能同时涉及退休政策、医疗补贴政策、教育优惠政策等。若某一年龄断点同时触发多项政策，RDD将无法区分不同政策的单独效应，导致估计结果成为多重政策的“混合效应”。

此外，政策执行过程中的“渗漏”现象也会破坏干预的纯净性。例如，某环保政策规定企业排污量超过某一标准需缴纳高额罚款，但部分企业可能通过与监管部门“协商”，使实际处罚标准偏离公开的断点。这种情况下，断点的“边界”变得模糊，RDD基于明确断点的分析逻辑将失去根基。

二、数据与测量的约束：从理想到现实的鸿沟

RDD对数据质量和测量精度有极高要求，其估计结果的可靠性高度依赖于分配变量与结果变量的观测准确性、样本量的充分性以及变量覆盖的全面性。现实中，数据收集的局限性常使这些要求难以满足。

（一）分配变量的测量误差与数据精度不足

分配变量的精确测量是RDD的前提。若分配变量存在测量误差（如统计口径不一致、记录错误、主观评估偏差等），断点附近的个体可能被错误归类，导致实验组与对照组的划分失真。例如，在评估“最低生活保障政策”时，家庭收入的测量可能因隐性收入（如兼职收入、亲友馈赠）未被统计而出现误差，使得部分实际收入低于断点的家庭被划入对照组，或高于断点的家庭被划入实验组。这种分类错误会稀释政策效应的估计值，甚至导致方向相反的结论。

数据精度不足也会限制RDD的应用。例如，若分