观文听傑

返回

分数阈值两侧的观测点与局部趋势在断点处出现结果跳跃分数阈值两侧的观测点与局部趋势在断点处出现结果跳跃

上一篇用外生鼓励工具变量识别会因鼓励改变选择的人群效果。本篇看另一种机制:若资格由考试分数是否跨过门槛决定,门槛两边的人可能在其他方面相似,但治疗概率突然变化。我们比较断点左右的结果极限,而不是把整个处理组和对照组直接比较。

**回归断点设计(regression discontinuity design, RDD)**的核心不是“在阈值处做一条回归线”,而是:在断点附近,除治疗分配外,潜在结果随运行变量平滑变化。RDD 因而识别阈值附近的局部效应。下一篇将继续沿着局部准实验推进,讨论当治疗由资格规则与实际接受不完全对应时,如何连接断点与工具变量。

flowchart LR
  X[运行变量 X:考试分数] --> T{跨过阈值 c?}
  T --> Z[资格分配 Z]
  Z --> D[实际接受治疗 D]
  D --> Y[结果 Y]
  X --> Y
  U[其他因素 U] --> Y
  C[只在 c 附近比较] --> L[拟合左右局部趋势]
  L --> J[断点处跳跃 = 局部效应]
mermaid

估计伪代码:

输入运行变量 x、结果 y、阈值 c、带宽 h、核权重 K
令 r = x - c;只保留 |r| <= h 的样本
断点左侧拟合 y = a_left + b_left * r
断点右侧拟合 y = a_right + b_right * r
sharp RDD:输出 a_right - a_left
检查带宽敏感性、分数操纵、预定变量连续性与不确定性
text

01 阈值为什么能制造局部对照?#

假设奖学金资格由标准化考试分数决定:分数 (X_i\ge c) 获得资格。令 (Z_i=\mathbb1(X_i\ge c)),实际是否领取奖学金为 (D_i),后续成绩为 (Y_i)。

分数高低本来就可能影响成绩,所以不能把所有达标者与未达标者作均值比较。RDD 的问题更局部:如果没有资格变化,潜在结果随分数在 (c) 附近平滑,那么门槛两侧任意接近的人,除了资格分配外应近似相似。观察到的结果跳跃就可归因于资格规则带来的变化。

**运行变量(running variable)**是决定分配的连续量,这里是考试分数;**断点(cutoff)**是规则改变的位置。关键识别假设是潜在结果在阈值处连续,且个体不能精确操纵自己落在阈值哪一边。

02 Sharp 与 fuzzy:资格不等于接受#

在 **sharp RDD(确定性断点)**中,跨过阈值会让治疗状态从 0 直接变为 1,即 (D_i=Z_i)。断点效应为

τsharp=lim⁡x↓cE[Y∣X=x]−lim⁡x↑cE[Y∣X=x].\tau_{sharp}=\lim_{x\downarrow c}E[Y|X=x]-\lim_{x\uparrow c}E[Y|X=x].

这里左右极限代表从断点两侧靠近,不能拿一个任意宽区间的样本均值差替代。

现实中,获得奖学金资格不保证领取,也可能有人通过其他渠道获得资助。若治疗概率只在阈值处跳升,属于 fuzzy RDD(模糊断点):用结果跳跃除以治疗概率跳跃,

τfuzzy=lim⁡x↓cE[Y∣X=x]−lim⁡x↑cE[Y∣X=x]lim⁡x↓cE[D∣X=x]−lim⁡x↑cE[D∣X=x].\tau_{fuzzy}=\frac{\lim_{x\downarrow c}E[Y|X=x]-\lim_{x\uparrow c}E[Y|X=x]} {\lim_{x\downarrow c}E[D|X=x]-\lim_{x\uparrow c}E[D|X=x]}.

这是阈值附近的 Wald 比率,形式上连接上一篇的 IV;资格指标充当工具,通常识别阈值附近服从资格影响的人群局部效果。它不是全体考生的 ATE。

03 手算断点:两侧趋势不同,阈值跳跃为 2#

把阈值中心化为 (r=X-c=0)。分数略低一侧,结果沿着 (Y=5+r) 变化;略高一侧,结果沿着 (Y=7+r) 变化:

相对分数 (r)-1.0-0.5+0.5+1.0
结果 (Y)4.04.57.58.0
局部趋势(5+r)(5+r)(7+r)(7+r)

在阈值处,左趋势外推为 5,右趋势外推为 7,跳跃为 (7-5=2)。若直接比较四点均值,右侧均值 7.75 减左侧 4.25 得 3.5;它混入了左右分数位置不同造成的趋势差异。局部线性模型先允许两侧各有斜率,再比较断点截距。

04 纯 Python:按带宽与三角权重拟合左右直线#

下面的教学实现把断点设为 0,选 (|r|\le h) 的点,并赋予三角核权重 (1-|r|/h)。分别加权最小二乘拟合截距和斜率。截距就是估计的断点极限。它用于展示数据流,不计算标准误,也不替代有偏差修正的正式局部多项式推断。

输入 xs、ys 是长度为 (n) 的一维列表;每个分数与结果一一对应。中心化后 (r_i=x_i-c),加权回归设计矩阵每行是 ([1,r_i]),系数向量 ([a,b]) 分别是断点截距和局部斜率。实际研究还要报告带宽选择、核函数、偏差修正区间、聚类层级与带宽敏感性;不要只报告最漂亮的一个带宽。

05 断点能被操纵时,局部可比性就会破裂#

重点检查四类问题:

  • 分数操纵:若学校知道资格线后可以改分,断点一侧的人可能被选择性堆积。检查分数密度在阈值处是否异常,并查阅评分制度。
  • 基线变量跳跃:年龄、前期成绩等不应由本次资格影响的预定变量若也跳跃,说明局部可比性值得怀疑。通过不代表假设已被证明。
  • 带宽与模型敏感性:带宽过宽把远处趋势混进来;过窄则有效样本少、方差大。报告多个合理带宽与局部线性主分析,不用高阶多项式任意追曲线。
  • 阈值同时改变多项政策:断点识别的是规则带来的局部总效果。如果阈值同时触发奖学金、辅导和学籍政策,就不能把跳跃单独归给奖学金。
设计外生变化来源识别对象关键风险
双重差分时间与组别的处理前后变化处理组平均变化平行趋势
工具变量鼓励推动实际治疗工具响应者的 LATE排除限制、弱工具
断点设计阈值造成的分配跳跃阈值附近局部效应操纵、带宽、阈值共变政策

思考练习

  1. 若阈值使资格概率跳 1.0,但领取概率只跳 0.4,为什么结果断点 2 不能直接解释为领取奖学金效果?
  2. 把带宽从 1.1 扩大到 10,会增加精度吗?它又会引入什么偏差风险?
  3. 若断点处前期成绩也跳跃,哪些设计事实需要先查清?

相关工作与原文

阈值附近的人几乎可比:回归断点设计怎样估计局部因果效应?
https://zwjcode.cn/blog/regression-discontinuity-cutoff
作者 傑
发布于 2026年10月17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。