观文听傑

返回

阈值两侧结果跳跃除以治疗概率跳跃,构成模糊断点的局部比率阈值两侧结果跳跃除以治疗概率跳跃,构成模糊断点的局部比率

上一篇用回归断点设计(regression discontinuity design, RDD)比较资格门槛两侧的结果极限,并指出资格不保证实际接受治疗时会出现模糊断点。本篇把这一点讲透:资格指标可以作工具变量,结果的断点跳跃除以治疗率的断点跳跃,得到阈值附近服从者的局部效果。下一篇换一种局部推断视角:什么情况下,断点附近有限窗口可以按“局部随机试验”分析?

假设奖学金资格在考试分数 X=cX=c 处切换,Zi=1(Xi≥c)Z_i=\mathbb{1}(X_i\ge c) 表示资格,Di∈{0,1}D_i\in\{0,1\} 表示实际领取,YiY_i 是结果。资格对结果有跳跃,但领取率只部分上升。目标不是“门槛造成的资格效果”,而是门槛附近被资格改变了领取状态的人群的治疗效果。

flowchart LR
  X[分数 X] --> Z{资格 Z = 1[X ≥ c]}
  Z -->|跳跃一阶段| D[实际治疗 D]
  D --> Y[结果 Y]
  X -->|平滑趋势| Y
  U[未测因素 U] --> D
  U --> Y
  Z -. 排除限制 .-> Y
  RJ[结果断点 ΔY] --> R[ΔY / ΔD]
  DJ[治疗率断点 ΔD] --> R
mermaid

局部数据流:

输入 X、D、Y、阈值 c、预先选定带宽 h
令 r = X - c;在左右两侧分别用局部线性趋势估计 Y 与 D 的阈值截距
ΔY = Ŷ_right(c) - Ŷ_left(c)
ΔD = D̂_right(c) - D̂_left(c)
若 ΔD 足够远离 0,估计 fuzzy RD = ΔY / ΔD
报告两个跳跃、比率、区间、带宽与识别假设
text

01 资格效果为什么不是治疗效果?#

从 Xi≥cX_i\ge c 到资格 ZiZ_i 的规则可以完全确定;但领取 DiD_i 可能受申请、信息和个人选择影响。结果在阈值跳了 2 分,是资格政策的约化式效果(reduced-form effect),不是自动等于领取治疗的效果。

对中心化运行变量 r=X−cr=X-c,记结果和治疗率在阈值左右的极限差为

\Delta_D=\lim_{r\downarrow0}E[D\mid r]-\lim_{r\uparrow0}E[D\mid r].$$ 模糊断点估计量为 $$\hat\tau_{FRD}=\frac{\hat\Delta_Y}{\hat\Delta_D}.$$ 这里 $r\downarrow0$ 表示从阈值右侧逼近,$r\uparrow0$ 表示从左侧逼近。两侧都要拟合独立的局部趋势;若把全区间用一个高阶多项式穿过,估计会由远离阈值的样本和多项式形状主导。 ## 02 这个比率在什么条件下是因果效应? 可把门槛资格 $Z$ 看成工具变量(instrumental variable, IV)。需要论证: 1. **连续性**:若没有资格跳跃,潜在结果与潜在治疗在 $c$ 附近连续;运行变量不能在阈值附近被精确操纵。 2. **第一阶段**:资格确实改变领取概率,$\Delta_D\ne0$。若它很小,比率会不稳定。 3. **排除限制**:跨过资格线影响结果只能通过实际治疗。若阈值同时带来辅导、身份或其他福利,就不能把比率单独解释为奖学金效果。 4. **单调性**:没有一群人因获得资格反而不领取、没有资格反而领取。否则简单比率不再是通常的服从者效果。 在这些条件和局部连续性下,$\Delta_Y/\Delta_D$ 是阈值附近因资格改变治疗状态者的局部平均处理效应(local average treatment effect, LATE)。它既不是所有学生的平均治疗效应,也不自动外推到离阈值很远的人。 ## 03 手算:结果增加 1.2,领取率增加 0.4 设门槛左侧结果极限为 70,右侧为 71.2;领取率分别为 0.20 和 0.60: | 阈值极限 | 结果 (Y) | 领取率 (D) | |---|---:|---:| | 左侧 (c^-) | 70.0 | 0.20 | | 右侧 (c^+) | 71.2 | 0.60 | | 跳跃右减左 | ΔY = 1.2 | ΔD = 0.40 | 所以 $\hat\tau=1.2/0.40=3$ 分。若把 1.2 直接报告成领取奖学金效果,就把“拿到资格”的意向处理效应误当成“实际领取”的效果。若第一阶段只有 0.02,同样的 1.2 会给出 60 分;这不是可信度变高,而是小分母放大噪声。 ## 04 透明 Python:分别拟合两条断点,再取比率 以下实现以 (r_i=X_i-c) 为输入,在带宽 (h) 内对左右两侧分别拟合加权直线 (V_i=a+b r_i+\epsilon_i)。对结果 (Y) 和治疗 (D) 各拟合一次,截距跳跃分别估计 ΔY 和 ΔD。输入 `x, d, y` 都是长度 $n$ 的一维序列 `[n]`;返回两侧截距、两个跳跃和 Wald 比率。它用于展示估计对象,**不计算可发表的偏差校正区间**。 ~~~python from math import isfinite def local_intercept(xs, ys, weights): sw = sum(weights) sx = sum(w*x for x, w in zip(xs, weights)) sy = sum(w*y for y, w in zip(ys, weights)) sxx = sum(w*x*x for x, w in zip(xs, weights)) sxy = sum(w*x*y for x, y, w in zip(xs, ys, weights)) det = sw*sxx - sx*sx if sw == 0 or abs(det) < 1e-12: raise ValueError("局部样本不足以拟合截距和斜率") return (sy*sxx - sx*sxy) / det def fuzzy_rd(x, d, y, cutoff, bandwidth): n = len(x) if n == 0 or len(d) != n or len(y) != n or bandwidth <= 0: raise ValueError("x、d、y 等长且非空,bandwidth 必须为正") if any(v not in (0, 1) for v in d): raise ValueError("d 必须是 0/1 治疗指示") side = {"left": [], "right": []} for xi, di, yi in zip(x, d, y): r = xi - cutoff if 0 < abs(r) < bandwidth: w = 1 - abs(r) / bandwidth # triangular kernel side["right" if r > 0 else "left"].append((r, di, yi, w)) if any(not side[s] for s in ("left", "right")): raise ValueError("带宽内阈值两侧都必须有观测") def jump_for(index): a = {} for s, rows in side.items(): a[s] = local_intercept([q[0] for q in rows], [q[index] for q in rows], [q[3] for q in rows]) return a["right"] - a["left"] jump_y, jump_d = jump_for(2), jump_for(1) if not isfinite(jump_d) or abs(jump_d) < 1e-8: raise ValueError("第一阶段接近 0;比率不稳定,不能当成有效估计") return {"outcome_jump": jump_y, "treatment_jump": jump_d, "fuzzy_rd_ratio": jump_y / jump_d} # 示例数据要沿左右两侧趋势,而非直接取组均值。 x = [-1.0, -0.5, 0.5, 1.0] d = [0, 0, 1, 1] y = [69.0, 69.5, 72.5, 73.0] # 两侧趋势截距相差 2.0 print(fuzzy_rd(x, d, y, cutoff=0.0, bandwidth=1.1)) # outcome_jump≈2.0; treatment_jump=1.0; ratio≈2.0 ~~~ 例子中的处理率恰好跳 1,是便于手算的确定性玩具数据。实证中要分别检查结果和治疗的左右斜率、有效带宽样本量、处理率跳跃,以及合理带宽变化下比率是否稳定。带宽变动不能事后挑最显著的一项。 ## 05 不确定性不能把分子、分母各自“算完就除” 令估计向量为 $\hat\theta=(\hat\Delta_Y,\hat\Delta_D)$,其协方差矩阵为 $$\widehat\Sigma=\begin{bmatrix}V_Y&C_{YD}\\C_{YD}&V_D\end{bmatrix}.$$ 在第一阶段足够强且估计近似正态时,Delta method(德尔塔法)给比率方差近似: $$\widehat{Var}(\hat\tau)\approx \frac{V_Y}{\hat\Delta_D^2}+\frac{\hat\Delta_Y^2V_D}{\hat\Delta_D^4} -2\frac{\hat\Delta_Y C_{YD}}{\hat\Delta_D^3}.$$ 两个跳跃来自同一批样本,协方差项不能随意丢掉。弱第一阶段时,比率分布会偏斜甚至重尾,常规对称 Wald 区间可能严重失真;应该报告第一阶段强度,使用弱工具稳健的比率区间/检验,并用有明确偏差处理的局部多项式 RDD 推断实现,而不是把教学回归残差公式当作最终标准误。 ## 06 诊断表与失败边界 | 现象 | 可能含义 | 下一步检查 | |---|---|---| | ΔY 跳跃、ΔD 几乎为零 | 比率极不稳定或资格没推动治疗 | 重新核对资格执行、第一阶段与样本量 | | 预定协变量在阈值跳跃 | 局部可比性受疑 | 检查操纵、数据口径与同期规则 | | 多项政策同在一条线切换 | 排除限制可能失败 | 将估计目标改为组合政策效果或换设计 | | 点估计随带宽反复变号 | 局部模型/稀疏样本敏感 | 报告预定带宽范围和局部图,不挑单点 | | treatment rate 右侧反而下降 | 估计方向或制度逻辑需核查 | 检查阈值编码、排序、资格规则和单调性 | 模糊断点与普通 IV 的差别是工具变量由运行变量阈值局部生成,估计对象也局限在门槛附近;与 sharp RDD 的差别是结果跳跃需要除以治疗概率跳跃。它不能自动修复阈值操纵、遗漏的同期政策或弱第一阶段。 <details> <summary>键盘可展开:先检查哪三个数?</summary> <p>先看结果跳跃 ΔY、治疗率跳跃 ΔD 和 ΔY/ΔD;再看第一阶段区间与带宽敏感性。按 Tab 聚焦后用 Enter 或 Space 展开,窄屏可直接阅读。</p> </details> ## 思考练习 1. 资格使结果提高 1.5 分、领取概率提高 0.25。Wald 比率是多少?它属于哪一群人的局部效应? 2. 门槛同时授予奖学金和辅导资格。哪一条识别假设受威胁?结果应如何重新命名? 3. 若 ΔD=0.03,为什么点估计虽可计算仍可能误导?哪类区间比普通对称区间更合适? ## 延伸阅读 - Hahn, Todd & van der Klaauw (2001), [Identification and Estimation of Treatment Effects with a Regression-Discontinuity Design](https://doi.org/10.1111/1468-0262.00183) — 从连续性条件识别断点处理效应。 - Imbens & Lemieux (2008), [Regression Discontinuity Designs: A Guide to Practice](https://doi.org/10.1016/j.jeconom.2007.05.001) — 断点估计与实证检查。 - Angrist & Imbens (1995), [Two-Stage Least Squares Estimation of Average Causal Effects in Models with Variable Treatment Intensity](https://doi.org/10.1080/01621459.1995.10476535) — 工具变量下局部因果解释。 - Lee & Lemieux (2010), [Regression Discontinuity Designs in Economics](https://doi.org/10.1257/jel.48.2.281) — RDD 设计、估计和应用综述。
资格只改变了部分人的治疗概率,模糊断点怎样估计局部效果?
https://zwjcode.cn/blog/fuzzy-rdd-wald-inference
作者 傑
发布于 2026年10月18日
版权协议 CC BY-NC-SA 4.0
评论加载似乎遇到了问题,请尝试刷新页面。