断点回归设计（RDD）的模糊断点与清晰断点对比.docxVIP

断点回归设计（RDD）的模糊断点与清晰断点对比

一、引言：断点回归设计的价值与两种核心形式

作为经济学、社会学等实证研究领域中重要的准实验方法，断点回归设计（RegressionDiscontinuityDesign，简称RDD）凭借其接近随机实验的内部效度，成为解决内生性问题、评估政策干预效应的有力工具。传统的回归分析常因变量间的双向因果、遗漏变量等问题导致估计偏差，而RDD通过利用“分配变量超过某一断点时，个体接受处理的概率或状态发生跳跃”这一机制，将断点附近的个体近似视为随机分配到处理组或控制组，从而准确识别处理效应（LeeandLemieux，2010）。

在实际应用中，根据处理状态与断点的关联程度，RDD可分为清晰断点设计（SharpRDD）与模糊断点设计（FuzzyRDD）两类。清晰断点下，处理状态完全由分配变量是否超过断点决定，符合条件的个体全部接受处理，不符合的则全部不接受；而模糊断点下，处理状态与断点仅存在概率性关联，断点处处理概率发生跳跃，但并非严格的全有或全无。厘清这两种形式的差异，不仅有助于研究者根据研究场景选择合适的方法，更能提升估计结果的准确性与解读的科学性。本文将系统介绍两种断点设计的核心逻辑、应用场景，并从多个维度展开对比，为实证研究提供参考。

二、清晰断点设计：严格分配下的局部效应识别

（一）核心定义与基本逻辑

清晰断点设计的核心特征在