差分回归设计的边界模糊性处理.docxVIP

差分回归设计的边界模糊性处理

一、引言

在因果推断的计量经济学方法体系中，差分回归设计（RegressionDiscontinuityDesign,RDD）因其对自然实验场景的高度拟合性，被视为“准实验方法中最接近随机对照试验的技术手段”（ImbensLemieux,2008）。该方法的核心逻辑在于利用某个连续变量（驱动变量）上的临界值，将研究对象划分为处理组与对照组——当驱动变量超过临界值时，个体被施加处理；反之则不被处理。理想状态下，临界值两侧的个体应仅因处理状态差异产生结果差异，从而通过比较临界值附近的结果变量差异，识别处理效应的净影响。

然而，现实研究中“理想状态”往往难以实现。由于数据测量误差、政策执行偏差、个体策略性选择等因素，驱动变量与处理状态之间的“绝对分割”常被打破，形成所谓的“边界模糊性”（FuzzyBoundary）。这种模糊性可能导致处理组与对照组的样本重叠，干扰临界值附近的局部随机化假设，最终影响因果推断的内部效度（LeeLemieux,2010）。如何科学处理边界模糊性，成为RDD应用中不可回避的关键问题。本文将围绕边界模糊性的表现形式、理论挑战与处理方法展开系统探讨，为实证研究提供方法论参考。

二、边界模糊性的表现与理论挑战

（一）边界模糊性的典型表现

边界模糊性的本质是驱动变量临界值与处理状态分配之间的“非完美对应”。根据表现形式