模糊断点回归（RDD）的处理效应估计.docxVIP

模糊断点回归（RDD）的处理效应估计

一、引言：因果推断中的模糊断点回归

在实证研究中，准确识别因果效应始终是学术探索的核心目标。相较于相关性分析，因果推断需要更严格的方法设计以排除混杂因素干扰。随机对照试验（RCT）虽被视为因果推断的“黄金标准”，但受限于伦理约束、实施成本及现实可行性，其应用场景往往较为有限。在此背景下，基于观测数据的因果推断方法逐渐成为研究主流，其中断点回归设计（RegressionDiscontinuityDesign,RDD）因其“准实验”特性，被学界誉为“最接近随机实验”的因果识别工具（ImbensLemieux,2008）。

断点回归可分为清晰断点（SharpRDD）与模糊断点（FuzzyRDD）两类。清晰断点中，个体是否接受处理（如政策干预）由某个连续变量（称为“断点变量”）是否跨越特定临界值（断点）完全决定；而模糊断点中，断点仅影响处理分配的概率，而非完全决定——部分个体可能在断点左侧接受处理，或在右侧未接受处理。这种“非确定性”的处理分配机制，使得模糊断点回归的处理效应估计更贴近现实场景（如政策执行中的漏损或超额覆盖），也对方法的技术细节提出了更高要求。本文将围绕模糊断点回归的核心逻辑、估计方法、应用场景及挑战展开系统探讨，以期为实证研究者提供方法参考。

二、模糊断点回归的基本概念与核心逻辑

（一）断点回归的类型划分：清晰与模糊