断点回归设计（RDD）的模糊识别方法.docxVIP

断点回归设计（RDD）的模糊识别方法

引言

在因果推断领域，如何准确识别政策、干预或自然事件的真实效应，始终是学术界关注的核心问题。断点回归设计（RegressionDiscontinuityDesign，RDD）作为一种基于“阈值”或“断点”的准实验方法，因其对因果关系的强识别能力，被广泛应用于经济学、社会学、公共政策等领域（ThistlethwaiteCampbell，1960）。与传统实验方法相比，RDD无需随机分配处理组与对照组，而是利用个体在连续变量（如年龄、分数、收入）上跨越某个临界值时，处理状态（如获得政策补贴、接受教育干预）的非连续变化，通过比较断点两侧个体的结果差异，推断处理效应。

在RDD的实践应用中，根据处理状态与断点的关联程度，可分为“清晰断点回归”（SharpRDD）和“模糊断点回归”（FuzzyRDD）。前者指处理状态在断点处完全由临界值决定（如考试分数超过60分必然及格），后者则表现为处理状态在断点处存在概率性跳跃（如分数超过60分的学生有80%的概率及格，而非100%）。模糊RDD的识别过程更贴近现实场景——多数政策或干预的实施往往受多重因素影响，难以达到“非此即彼”的绝对状态。因此，深入探讨模糊RDD的识别方法，对于拓展RDD的应用边界、提升因果推断的准确性具有重要意义。

一、断点回归设计的基础与模糊RDD的特征

（一）RDD的核心逻辑