模糊断点回归（FuzzyRDD）的识别策略.docxVIP

模糊断点回归（FuzzyRDD）的识别策略

引言

在因果推断的实证研究中，如何准确识别处理效应始终是核心挑战。断点回归设计（RegressionDiscontinuityDesign，RDD）作为一种准实验方法，凭借其“近似随机”的特性，被视为因果推断的“黄金标准”之一（ImbensLemieux，2008）。根据处理变量在断点处是否完全由断点变量决定，RDD可分为清晰断点回归（SharpRDD）与模糊断点回归（FuzzyRDD）。相较于清晰断点中“断点处处理状态100%转换”的理想场景，模糊断点更贴近现实——断点仅改变处理变量的概率，而非完全决定其取值（Hahnetal.，2001）。这种“部分转换”的特性虽增加了识别难度，却也拓展了RDD的应用范围，使其能够分析教育政策、公共福利、医疗干预等更复杂的现实问题。本文将围绕模糊断点回归的识别策略展开，系统解析其核心假设、估计方法与关键检验步骤，为实证研究提供方法论参考。

一、模糊断点回归的核心假设：识别的逻辑基石

模糊断点回归的识别策略建立在一系列严格假设之上，这些假设共同保证了断点附近处理效应的可识别性。理解这些假设的内涵与作用，是掌握FuzzyRDD的第一步。

（一）局部随机化假设：断点附近的“自然实验”

局部随机化假设是RDD（包括FuzzyRDD）的底层逻辑。其核心思想是：在断点变量的微小邻域内（即断点附