第七章：断点回归设计

断点回归设计（Regression Discontinuity Design, RDD）是因果推断中最接近随机实验的准实验方法之一。当处理分配基于某个连续变量是否超过特定阈值时，RDD利用阈值附近个体的"准随机"分配来识别因果效应。这种方法在政策评估、教育研究和商业决策中有着广泛应用，因为许多实际决策规则都基于明确的阈值标准。

本章将系统介绍RDD的理论基础、实施方法和实践应用。我们将学习如何在精确和模糊的处理分配场景下应用RDD，掌握带宽选择和稳健性检验的关键技术，并通过实际案例理解RDD的优势与局限。

7.1 精确断点回归（Sharp RDD）

7.1.1 基本设定

精确断点回归适用于处理完全由运行变量（running variable）决定的情况。设 $X_i$ 为运行变量，$c$ 为断点（cutoff），处理分配规则为：

$$D_i = \mathbb{1}(X_i \geq c)$$ 其中 $D_i$ 是处理指示变量。在断点附近，我们可以将因果效应识别为： $$\tau_{RDD} = \lim_{x \downarrow c} E[Y_i | X_i = x] - \lim_{x \uparrow c} E[Y_i | X_i = x]$$

7.1.2 识别假设

Sharp RDD的关键识别假设包括：

1. 连续性假设：潜在结果的条件期望在断点处连续 $$E[Y_i(0) | X_i = c^+] = E[Y_i(0) | X_i = c^-]$$

2. 局部随机化：在断点附近，个体无法精确操纵运行变量

3. 单调性：处理分配在断点处严格变化

运行变量分布图示：
     |
  密  |    。。。
  度  |  。    。
     |。        。
     |。          。。
     |____________。___
            c    断点

7.1.3 局部线性回归估计

实践中，我们通常使用局部线性回归来估计RDD效应： $$Y_i = \alpha + \tau D_i + \beta_1 (X_i - c) + \beta_2 D_i \cdot (X_i - c) + \epsilon_i$$ 其中样本限制在带宽 $h$ 内：$|X_i - c| \leq h$

这种方法允许断点两侧有不同的斜率，更灵活地拟合数据。

7.1.4 图形分析的重要性

RDD分析的第一步应该是图形检验：

1. 结果变量在断点处的跳跃
2. 运行变量的密度检验（McCrary检验）
3. 协变量的平衡性检验

良好的RDD图形应该显示：

• 断点处明显的跳跃
• 运行变量密度无异常堆积
• 其他协变量在断点处连续

7.2 模糊断点回归（Fuzzy RDD）

7.2.1 不完全遵从的处理

在现实中，并非所有个体都严格遵循断点规则。模糊RDD处理这种不完全遵从的情况： $$P(D_i = 1 | X_i = c^+) - P(D_i = 1 | X_i = c^-) = \pi < 1$$ 其中 $\pi$ 是断点处处理概率的跳跃。

7.2.2 作为工具变量的RDD

模糊RDD可以理解为使用断点指示作为工具变量：

第一阶段： $$D_i = \gamma_0 + \gamma_1 Z_i + \gamma_2 (X_i - c) + \gamma_3 Z_i \cdot (X_i - c) + \nu_i$$ 第二阶段： $$Y_i = \alpha + \tau \hat{D}_i + \beta_1 (X_i - c) + \beta_2 Z_i \cdot (X_i - c) + \epsilon_i$$ 其中 $Z_i = \mathbb{1}(X_i \geq c)$ 是工具变量。

7.2.3 识别与解释

模糊RDD识别的是局部平均处理效应（LATE）： $$\tau_{Fuzzy} = \frac{\lim_{x \downarrow c} E[Y_i | X_i = x] - \lim_{x \uparrow c} E[Y_i | X_i = x]}{\lim_{x \downarrow c} E[D_i | X_i = x] - \lim_{x \uparrow c} E[D_i | X_i = x]}$$ 这个效应仅对"遵从者"（compliers）有效——即那些因为超过断点而接受处理的个体。

7.3 带宽选择与稳健性检验

7.3.1 最优带宽选择

带宽选择涉及偏差-方差权衡：

1. MSE最优带宽（Imbens-Kalyanaraman）： $$h_{IK} = \left( \frac{2\sigma^2(c)}{f(c) \cdot (m_+''(c) - m_-''(c))^2} \right)^{1/5} \cdot n^{-1/5}$$

2. 覆盖误差率最优带宽（Calonico-Cattaneo-Titiunik）： 考虑有限样本偏差修正，提供更准确的置信区间

3. 交叉验证方法： 通过留一交叉验证选择预测误差最小的带宽

7.3.2 稳健性检验清单

1. 带宽敏感性分析 - 使用多个带宽（如0.5h, h, 1.5h, 2h） - 绘制不同带宽下的估计值

2. 多项式阶数检验 - 比较线性、二次、三次多项式 - 检查高阶项的显著性

3. 安慰剂检验 - 在非断点处进行RDD分析 - 检验预定协变量的跳跃

4. 甜甜圈RDD - 排除断点附近的观测值 - 检验对可能操纵的稳健性

7.3.3 操纵检验

检验运行变量是否被操纵是RDD有效性的关键：

1. 密度检验（McCrary Test） $$\hat{\theta} = \ln \hat{f}_+ - \ln \hat{f}_-$$ 其中 $\hat{f}_+$ 和 $\hat{f}_-$ 是断点两侧的密度估计

2. 协变量平衡检验 对预定协变量进行RDD分析，检验是否存在显著跳跃

3. 排序检验 检查运行变量的分布是否存在异常模式

7.4 应用案例分析

7.4.1 教育政策评估：高考录取线的因果效应

考虑使用RDD评估重点大学录取对学生未来收入的影响：

设定：

• 运行变量：高考分数 $X_i$
• 断点：重点大学录取线 $c = 600$
• 处理：进入重点大学 $D_i$
• 结果：毕业5年后年收入 $Y_i$

分析步骤：

1. 图形检验

收入(万元)
  40 |       。。
     |     。  。
  30 |   。    |。
     | 。      | 。
  20 |。       |  。
     |________|____。
      580  600  620
         高考分数

2. 局部线性回归 在带宽 $h = 20$ 分内估计： $$\tau_{RDD} = 8.5万元 \quad (SE = 2.1)$$

3. 稳健性检验 - 不同带宽：$h \in [10, 30]$，效应稳定在7-10万元 - 密度检验：$p = 0.43$，无操纵证据 - 协变量平衡：家庭背景、性别等无显著跳跃

7.4.2 选举研究：在职优势

研究现任者在选举中的优势：

设定：

• 运行变量：上次选举得票率 $X_i$
• 断点：$c = 50\%$
• 处理：成为现任者
• 结果：下次选举得票率

关键发现：

1. 勉强当选的候选人vs勉强落选的候选人几乎相同
2. 现任者优势约为8个百分点
3. 效应在不同政党、地区间存在异质性

7.5 行业案例：拼多多用户等级制度的效果分析

背景

拼多多实施了基于累计消费金额的用户等级制度，不同等级享受不同的优惠和服务。我们使用RDD评估升级到"黄金会员"（消费满1000元）对用户后续消费行为的影响。

数据与设定

• 运行变量：用户累计消费金额 $X_i$
• 断点：$c = 1000$元
• 处理：成为黄金会员，享受专属优惠
• 结果变量：
• 升级后30天内消费金额
• 购买频次
• 客单价

分析过程

1. 初步图形分析

后续消费(元)
  500 |        。。
      |      。  。
  400 |    。    |。
      |  。      | 。。
  300 |。        |    。
      |_________|_____。
       900   1000   1100
       累计消费金额(元)

2. Sharp RDD估计 由于会员升级是自动的，这是一个精确断点设计： $$Y_i = 320 + 85 \cdot D_i + 0.12(X_i - 1000) + 0.05 \cdot D_i(X_i - 1000)$$ 效应估计：$\tau = 85$元（$SE = 18$）

3. 机制分析 通过分析不同结果变量：

• 购买频次增加：$\Delta f = 2.3$次/月
• 客单价提升：$\Delta p = 12$元
• 品类扩展：新品类购买概率提升15%

业务洞察

1. 即时效应vs持续效应 - 短期（7天）：效应最强，增量150元 - 中期（30天）：稳定在85元 - 长期（90天）：衰减至40元

2. 异质性分析 - 价格敏感用户：效应更强（120元） - 高频用户：效应较弱（50元） - 新用户vs老用户：新用户响应更积极

3. 策略优化建议 - 动态调整门槛：基于用户特征个性化 - 分级激励：多个断点形成递进激励 - 配合营销活动：在断点附近推送优惠

实施挑战与解决方案

1. 操纵问题 - 发现：临近1000元的订单异常增多 - 解决：采用甜甜圈RDD，排除995-1005元区间

2. 溢出效应 - 问题：用户可能延迟消费等待升级 - 处理：分析断点前的消费模式变化

3. 多重断点 - 挑战：银牌(500)、金牌(1000)、钻石(2000)多个等级 - 方法：分别估计各断点效应，注意样本重叠

7.6 本章小结

断点回归设计是因果推断工具箱中的有力武器，特别适用于基于明确规则的政策评估。本章的关键要点：

核心概念

1. RDD的识别策略 - 利用断点处的局部随机化 - 连续性假设是关键 - 图形分析先于统计分析

2. 两种RDD类型 - Sharp RDD：处理完全由断点决定，$D_i = \mathbb{1}(X_i \geq c)$ - Fuzzy RDD：断点影响处理概率，需要IV方法

3. 估计方法 - 局部线性回归：$Y_i = \alpha + \tau D_i + \beta_1(X_i-c) + \beta_2 D_i(X_i-c) + \epsilon_i$ - 带宽选择的偏差-方差权衡 - 稳健性检验的系统方法

关键公式汇总

• Sharp RDD因果效应： $$\tau_{Sharp} = \lim_{x \downarrow c} E[Y|X=x] - \lim_{x \uparrow c} E[Y|X=x]$$

• Fuzzy RDD因果效应： $$\tau_{Fuzzy} = \frac{\text{结果变量跳跃}}{\text{处理概率跳跃}}$$

• 最优带宽（IK方法）： $$h_{opt} \propto n^{-1/5}$$

实践要点

1. 分析流程：图形检验 → 主分析 → 稳健性检验 → 机制探索
2. 有效性检验：密度检验、协变量平衡、安慰剂测试
3. 常见应用：政策阈值、考试分数线、年龄限制、地理边界

RDD的优势在于其准实验性质和结果的可信度，但也要注意其局限性：仅识别局部效应、需要大样本、易受操纵影响。掌握RDD不仅需要理解统计方法，更需要对制度背景的深入了解。

7.7 练习题

基础题

练习7.1 判断以下场景是否适合使用RDD分析，如果适合，指出运行变量和断点： a) 评估最低工资法对就业的影响 b) 分析优惠券（满100减20）对消费的影响
c) 研究退休（65岁）对健康的影响 d) 评估随机分配的培训项目效果

练习7.2 某公司规定月销售额达到50万的销售员可获得额外奖金。数据显示：

• 49-50万区间：平均下月销售额55万
• 50-51万区间：平均下月销售额62万

这7万的差异能否解释为奖金的因果效应？需要检验什么？

练习7.3 使用以下RDD回归结果，计算处理效应：

Y = 50 + 20D + 2(X-c) + 3D(X-c), 带宽h=10

其中D是处理指示变量，c是断点。

挑战题

练习7.4 某在线教育平台发现，学习时长超过100小时的用户可获得"认证学员"标识。你想评估这个标识对用户完课率的影响。设计一个完整的RDD分析方案，包括： a) 可能的威胁和解决方案 b) 需要进行的稳健性检验 c) 如何解释结果的局限性

练习7.5 你在分析某电商平台的会员制度（消费满1000元自动升级），发现：

• Sharp RDD估计：τ = 100元（后续月消费增加）
• Fuzzy RDD估计：τ = 150元

请解释： a) 为什么会出现Fuzzy RDD的情况？ b) 两个估计值差异的含义 c) 哪个更适合政策制定？

练习7.6 设计一个利用地理断点的RDD研究。要求：

• 明确研究问题和因果效应
• 说明识别策略
• 讨论可能的挑战

练习7.7 某研究使用RDD评估大学录取（分数线600分）对收入的影响，发现：

• 带宽20分：效应8万元（显著）
• 带宽10分：效应12万元（显著）
• 带宽5分：效应18万元（不显著）

如何解释这个结果？应该报告哪个估计？

7.8 常见陷阱与错误

1. 操纵运行变量

陷阱：忽视个体可能精确控制运行变量越过断点

症状：

• 断点处密度不连续（堆积或缺失）
• 某些协变量在断点处跳跃
• 结果对带宽极度敏感

调试技巧：

检查清单：
□ McCrary密度检验 p > 0.10
□ 协变量平衡检验全部通过
□ 甜甜圈RDD结果稳定
□ 检查制度细节是否允许操纵

案例：学生可能通过补考刚好达到60分及格线

2. 带宽选择偏差

陷阱：尝试多个带宽后只报告显著的结果

正确做法：

1. 先确定最优带宽（IK或CCT方法）
2. 报告主要结果
3. 展示带宽敏感性分析
4. 预先注册分析计划

示例代码逻辑：

主分析：h* = optimal_bandwidth()
稳健性：[0.5h*, 0.75h*, h*, 1.25h*, 1.5h*]

3. 忽视模糊断点

陷阱：假设所有RDD都是精确的

识别方法：

• 绘制处理概率vs运行变量图
• 检查断点处是否100%跳跃
• 了解制度实施细节

后果：Sharp RDD用于Fuzzy情况会低估真实效应

4. 错误的函数形式

陷阱：全局高阶多项式可能产生误导性结果

建议：

• 局部线性/二次为主
• 避免高于3阶的多项式
• 允许断点两侧不同斜率
• 图形检验优先于参数估计

5. 外推过度

陷阱：将断点处的LATE解释为ATE

正确理解：

• RDD估计的是局部效应
• 仅对断点附近个体有效
• 不能推广到远离断点的群体
• 政策含义需谨慎

6. 多重断点处理不当

陷阱：存在多个断点时分析混乱

解决方案：

1. 分别分析每个断点
2. 注意样本重叠问题
3. 检查不同断点间的干扰
4. 考虑使用不同运行变量

7. 时间混淆

陷阱：断点实施时间与其他政策变化重合

检验方法：

• 事件研究图
• 使用实施前数据做安慰剂检验
• 控制时间趋势

8. 协变量使用错误

陷阱：控制受处理影响的协变量

原则：

• 只控制预定协变量
• 协变量主要用于提高精度
• 不应改变点估计（如果改变，说明有问题）

7.9 最佳实践检查清单

设计阶段

• [ ] 明确断点规则
• 书面文件确认分配规则
• 了解实施细节和例外情况

• 确认规则的执行严格程度

• [ ] 评估可行性

• 样本量是否充足（断点附近至少几百个观测）
• 运行变量是否连续且密度足够

• 是否存在操纵的激励和能力

• [ ] 识别假设检验计划

• 预定需要检验的协变量
• 确定带宽选择方法
• 计划稳健性检验

实施阶段

• [ ] 图形分析优先
• 原始数据散点图
• 分组均值图（bin scatter plot）
• 局部多项式平滑图

• 密度分布图

• [ ] 基础检验

• McCrary密度检验
• 协变量平衡性检验

• 安慰剂断点检验

• [ ] 主要分析

• 使用最优带宽方法
• 报告第一阶段（如果是Fuzzy）

• 计算稳健标准误

• [ ] 稳健性检验

• 多个带宽
• 不同多项式阶数
• 甜甜圈RDD
• 不同的核函数

报告阶段

• [ ] 透明度
• 报告所有尝试的规格
• 展示完整的图形证据

• 讨论识别假设的合理性

• [ ] 完整性

• 主要效应估计
• 标准误和置信区间
• 样本量和有效观测数

• 第一阶段结果（Fuzzy RDD）

• [ ] 解释恰当

• 强调局部性质
• 讨论外部有效性
• 说明政策含义的局限

进阶考虑

• [ ] 异质性分析
• 按重要特征分组
• 交互效应检验

• 分位数RDD

• [ ] 机制探索

• 多个结果变量
• 中介分析（谨慎）

• 动态效应

• [ ] 扩展方法

• RD-DID（如有面板数据）
• 空间RDD
• 多维RDD

常用诊断代码框架

# 1. 密度检验
density_test = mccrary_test(running_var, cutoff)

# 2. 协变量平衡
for covariate in predetermined_vars:
    balance_test = rdd_estimate(covariate ~ running_var)

# 3. 带宽选择
h_ik = ik_bandwidth(Y, X, cutoff)
h_cct = cct_bandwidth(Y, X, cutoff)

# 4. 敏感性分析
bandwidths = [0.5*h, 0.75*h, h, 1.25*h, 1.5*h]
results = [rdd_estimate(Y, X, c, bw) for bw in bandwidths]

# 5. 图形输出
plot_rdd(Y, X, cutoff, bandwidth=h, nbins=20)

记住：RDD的可信度很大程度上依赖于制度细节的理解和图形证据的说服力，而非复杂的计量技术。