断点回归RDD设计的核心假设及检验方法.docxVIP

断点回归RDD设计的核心假设及检验方法

一、引言

（一）断点回归设计的学术价值与应用场景

因果推断是社会科学研究的核心目标之一，其核心在于准确识别自变量对因变量的因果效应，而非简单的相关性。在传统观测研究中，由于存在选择偏差、混淆变量等问题，因果效应的识别往往面临挑战。断点回归设计（RegressionDiscontinuityDesign，简称RDD）作为一种准实验研究方法，因兼具随机实验的内部有效性与观测研究的外部适用性，被学界视为最接近随机实验的因果推断工具之一（LeeLemieux，2010）。

RDD的核心逻辑是基于“运行变量”的临界值（断点）进行处理分配：当运行变量超过断点时，个体进入处理组；未超过则进入控制组。这种设计使得断点附近的个体在可观测与不可观测特征上具有高度可比性，从而将断点处的结果差异归因于处理本身。目前，RDD已广泛应用于劳动经济学、公共政策评估、教育研究等领域，比如评估奖学金对学生学业表现的影响、养老金政策对老年人健康水平的作用、最低工资标准对就业的影响等。

尽管RDD的设计逻辑看似简洁，但其实效性完全依赖于一系列核心假设的成立。如果核心假设不满足，断点处的结果差异可能由混淆因素而非处理效应导致，最终得出错误的因果结论。因此，系统梳理RDD的核心假设，并掌握对应的检验方法，是正确应用RDD进行因果推断的前提。本文将采用总分总结构，先概述RDD的