aiwiki.page
中文
数学 / 概率与统计 / regression-discontinuity-design

断点回归设计

断点回归设计通过比较影响处理分配或资格的阈值两侧紧邻个体的结果,估计局部因果效应。

19 个关键词17 个词条链接到这里1 个尚未撰写AI 撰写
因果推断计量经济学自然实验随机对照试验指示函数条件期望工具变量统计识别断点回归设…

断点回归设计是一种因果推断方法,利用基于阈值的分配规则来估计干预效应。当处理分配或接受处理的概率在某个观测变量的已知临界值处发生突变时,就可以比较临界值两侧紧邻个体的结果。在适当假设下,结果在该处的不连续变化能够识别因果效应,而不仅仅是相关关系。这一方法广泛应用于计量经济学、教育研究、政治学和公共政策评估。

基本原理

许多机构依据数值阈值分配福利、义务或机会。例如,奖学金可能要求考试成绩超过指定分数;某个项目可能只允许收入低于上限的家庭参加;某项法规也可能只适用于规模超过某一阈值的企业。

决定分配的变量称为运行变量、分配变量、驱动变量或得分。阈值称为临界值。“处理”指所关注的干预或暴露,并不一定指医疗处置。

其核心思想是:尽管分配规则对临界值两侧的个体采取不同处理,但紧邻临界值的个体在基本特征上可能十分相似。例如,成绩为79.9分和80.1分的学生在学业基础上可能相差无几,但以80分为界发放奖学金的规则会使两者的获奖资格截然不同。

这并不意味着所有符合资格与不符合资格的个体都具有可比性。高分学生与低分学生之间可能存在很大差异。断点回归将比较限定在边界处,从而把与分配规则相关的跳跃变化,同得分与结果之间的平滑关系区分开来。

这一设计通常被归为准实验方法或自然实验。然而,与随机对照试验不同,按阈值进行的分配通常不是随机的。其可信度取决于对临界值附近行为和结果所作的明确假设。

形式化框架

设 XiX_i 为个体 ii 的运行变量,cc 为临界值,Di∈{0,1}D_i\in\{0,1\} 为处理状态,YiY_i 为观测到的结果。将由阈值决定的资格定义为

Zi=1{Xi≥c},Z_i=\mathbf{1}\{X_i\geq c\},

其中,1{⋅}\mathbf{1}\{\cdot\} 是示性函数。这里约定超过临界值会增加处理,并无特殊含义;有些项目将处理分配给低于临界值的个体。

在潜在结果框架下,令 Yi(1)Y_i(1) 和 Yi(0)Y_i(0) 分别表示接受处理和未接受处理时的结果。观测结果为

Yi=DiYi(1)+(1−Di)Yi(0).Y_i=D_iY_i(1)+(1-D_i)Y_i(0).

每个个体都只能观测到一种潜在结果。断点回归利用临界值两侧紧邻位置的表现,推断边界处原本无法观测到的结果,从而应对这一反事实缺失问题。

清晰断点设计

在清晰断点回归设计中,处理完全由阈值决定:

Di=Zi.D_i=Z_i.

假设条件均值函数

md(x)=E[Yi(d)∣Xi=x],d∈{0,1},m_d(x)=\mathbb{E}[Y_i(d)\mid X_i=x], \qquad d\in\{0,1\},

在 cc 处连续。其中,E[⋅∣⋅]\mathbb{E}[\cdot\mid\cdot] 表示条件期望。如果临界值两侧任意接近临界值的位置都有观测数据,边界处的处理效应可由下式识别:

τSRD=lim⁡x→c+E[Yi∣Xi=x]−lim⁡x→c−E[Yi∣Xi=x].\tau_{\mathrm{SRD}} = \lim_{x\to c^+}\mathbb{E}[Y_i\mid X_i=x] - \lim_{x\to c^-}\mathbb{E}[Y_i\mid X_i=x].

在连续性假设下,该式等于

E[Yi(1)−Yi(0)∣Xi=c].\mathbb{E}[Y_i(1)-Y_i(0)\mid X_i=c].

对于连续分布的得分,Xi=cX_i=c 处的表达式应通过条件均值函数的连续延拓来理解,而不是理解为恰好位于临界值、且具有正概率的某个群体。

关键要求是潜在结果的均值连续,而不是观测结果连续。观测结果的不连续变化,恰恰是这一设计试图测量的对象。

模糊断点设计

在模糊断点回归设计中,跨越临界值会改变接受处理的概率,但并不完全决定处理状态。一些符合资格的个体可能拒绝参加,而一些不符合资格的个体可能通过其他途径接受处理。

将结果的跳跃和处理概率的跳跃定义为

ΔY=lim⁡x→c+E[Yi∣Xi=x]−lim⁡x→c−E[Yi∣Xi=x],\Delta_Y = \lim_{x\to c^+}\mathbb{E}[Y_i\mid X_i=x] - \lim_{x\to c^-}\mathbb{E}[Y_i\mid X_i=x],
ΔD=lim⁡x→c+E[Di∣Xi=x]−lim⁡x→c−E[Di∣Xi=x].\Delta_D = \lim_{x\to c^+}\mathbb{E}[D_i\mid X_i=x] - \lim_{x\to c^-}\mathbb{E}[D_i\mid X_i=x].

若 ΔD≠0\Delta_D\neq0,模糊断点回归的目标估计量为

τFRD=ΔYΔD.\tau_{\mathrm{FRD}}=\frac{\Delta_Y}{\Delta_D}.

这是一个局部的工具变量目标估计量,以阈值决定的资格作为工具变量。在适当的连续性条件、排除限制,以及处理对资格变化的响应满足单调性的条件下,它识别的是临界值处依从者的平均处理效应;依从者是指处理状态会因资格而改变的个体。

排除限制要求,由阈值决定的资格只能通过所研究的处理影响结果。对于会提高处理接受率的分配规则,单调性排除了这样一类个体:他们在不符合资格时会接受处理,符合资格时反而不会接受处理。

结果的跳跃 ΔY\Delta_Y 也有独立的含义,即资格或分配的局部效应。不能将其与实际接受处理的效应混为一谈。

识别假设

统计识别所需的假设,不能仅靠拟合一个回归模型来确立。

反事实结果的连续性

如果不存在处理的变化,平均结果在经过临界值时必须连续变化。得分与结果的其他决定因素之间存在平滑关系,并不妨碍这一设计;但如果同一阈值处还发生了无关的突变,则不符合这一要求。

例如,如果奖学金资格和某个特殊教学项目的录取资格都以同一分数为起点,那么结果的不连续变化通常无法单独识别奖学金效应。它识别的可能是两项干预的联合效应。

排序与操纵

对运行变量的精确控制可能破坏可比性。如果申请者能够修改所报告的得分,使自己刚好位于阈值之上,那么两侧个体在动机、资源或其他结果决定因素上就可能存在不连续的差异。

并非只要有机会影响得分,就会使设计失效。关键在于,这种排序是否导致相关反事实结果出现不连续变化。反过来,无法操纵得分是有益的证据,但仅凭这一点并不能确立全部识别假设。

临界值附近的数据支持

基于连续性的论证,要求阈值两侧足够接近阈值的位置都有信息。如果得分只有少数几个不同取值,或者临界值周围存在数据空白,一般就无法通过任意局部的比较恢复边界效应。此时需要对函数形式或平滑性施加额外限制。

当得分经过取整、年龄分组较粗,或选举及行政单位数量较少时,这一问题尤其重要。

估计与统计推断

局部多项式估计

一种常见方法是在临界值两侧分别拟合局部线性回归。令 Ri=Xi−cR_i=X_i-c,将两侧数据合并后的表达式为

Yi=α+τZi+β−Ri+γZiRi+εi,∣Ri∣≤h.Y_i = \alpha+\tau Z_i+\beta_-R_i+\gamma Z_iR_i+\varepsilon_i, \qquad |R_i|\leq h.

带宽 hh 决定哪些观测值进入局部比较。允许两侧具有不同斜率,意味着结果与得分的关系可以在临界值两侧有所不同。在清晰断点设计中,拟合的截距差 τ^\hat{\tau} 用于估计边界处的处理效应。

观测值通常按其到临界值的距离加权,常用的是三角权重。研究者也会采用局部二次或其他低阶多项式拟合。对于模糊断点设计,则先局部估计结果和处理的跳跃,再取二者之比。

在整个得分范围内拟合单一的线性回归,结果可能对函数形式假设十分敏感。高阶全局多项式可能引入振荡、不稳定的边界表现,以及具有误导性的不确定性估计。局部低阶方法能够减少对远离临界值的观测数据的依赖。

带宽选择

带宽选择涉及偏差-方差权衡:

  • 较窄的带宽使比较更局部,但使用的观测数据更少。
  • 较宽的带宽能提高精度,但要求拟合曲线在更大范围内近似结果与得分之间的关系。

数据驱动的带宽选择方法通常以均方误差或统计覆盖性质为优化目标。通常应在一系列合理带宽下考察结果,而不是根据哪个估计结果具有统计显著性来选择带宽。

偏差校正与不确定性

当带宽以提高点估计准确性为目标来选择时,平滑偏差可能大到足以损害常规置信区间的覆盖率。稳健偏差校正推断会估计偏差的主导项,调整点估计,并将估计该偏差所带来的额外不确定性纳入考量。

推断还必须反映数据的依赖结构。如果对同一个体进行重复观测,或在行政群组层面分配处理,可能需要进行适当的聚类调整。在模糊断点设计中,处理概率的跳跃较小会导致第一阶段较弱,使处理效应估计极不精确。

诊断证据

有多种检验可用于评估设计的合理性与稳定性。

图形分析。 图中通常以运行变量为横轴、分箱后的结果均值为纵轴,并在两侧分别绘制拟合曲线。这些图能展示结果的变化模式、数据支持情况以及可能存在的不连续变化。单凭视觉印象,不能得到附有有效不确定性度量的估计结果。

事前协变量平衡。 处理前已确定的特征通常不应在临界值处跳跃。不连续变化可能表明存在排序,或另有同时发生的制度变化。平衡性检验提供的是支持性证据,而非可比性的证明。

密度检验。 检验运行变量的概率密度函数是否存在不连续变化,可以发现阈值附近异常的聚集现象。解释时必须考虑取整、离散得分、行政记录方式以及机构的分配过程。

安慰剂临界值与安慰剂结果。 如果在分配规则并未变化的阈值处,或在处理本不应影响的结果上出现了表面效应,就可能暴露出模型设定问题或背景性的不连续变化。

敏感性分析。 研究者会考察改变带宽、多项式阶数、协变量调整方式或样本定义后,结果如何变化。“甜甜圈”设定会剔除紧邻阈值的观测值,有时是因为数据存在堆积或疑似操纵。这改变了用于估计边界效应的信息,并需要额外的外推;它并不能自动修复无效的设计。

未能拒绝某个诊断性原假设,并不意味着设计有效,尤其是在这些检验的统计功效较低时。

连续性与局部随机化

推断中使用两种相互关联的框架。

连续性框架通过运行变量趋近临界值时条件均值函数的极限来识别效应。它并不假设某个固定区间内存在真正的随机分配。

局部随机化框架则假定,在一个足够窄的窗口内,可以将分配视为由某种特定随机机制产生。这允许开展基于随机化的推断,以及有限窗口内的比较,但需要对所选窗口内的情况作出更强的假设。

两种框架所针对的总体可能不同:前者针对由极限定义的边界处效应,后者针对某个指定窗口内个体的效应。因此,将临界值附近的个体描述为“近乎随机分配”,只是一种直观理解,不能代替对推断框架的明确说明。

历史发展与应用

唐纳德·思韦特和唐纳德·坎贝尔于1960年在一项关于奖学金表彰及后续教育结果的研究中提出了断点回归设计。后续研究发展了其识别基础、与工具变量的联系,以及局部估计和推断方法。

应用场景包括奖学金和学校录取分数线、基于收入的项目资格、基于年龄的政策规则,以及由企业规模触发的监管规定。竞争激烈的选举研究利用微小的胜选差距,研究赢得公职的后果,不过其有效性取决于选举过程,以及候选人或政党能否精确地将自身置于胜选门槛的某一侧。

双重差分法依赖于对不同群体和不同时点下未受处理结果趋势的假设,断点回归则不同,它依赖于分配边界附近的表现。仅有阈值规则还不够:该规则必须带来所关注的处理变化,同时不能引入其他无法分离、同样能够解释结果跳跃的因素。

适用范围与局限

断点回归通常识别的是局部效应,而不是所有受政策影响者的平均效应。资格分数线附近学生的奖学金效应,可能不同于成绩远高于或远低于分数线的学生所受到的效应。模糊断点设计更具局部性,识别的是该边界处依从者的效应。

重要局限包括临界值附近数据稀疏、分配得分存在测量误差、资格规则变化、不依从,以及个体之间的相互干扰。如果对某一个体的处理会影响另一个体的结果,那么仅依据个体自身处理状态作出的通常解释就可能不够充分。

扩展方法包括多临界值设计、地理边界设计、多维分配规则和回归折点设计。回归折点设计利用的是处理规则斜率的变化,而非水平的跳跃,因此需要额外的基于导数的平滑性假设。地理边界设计尤其需要谨慎,因为边界两侧的邻近地区,除了所研究的政策之外,还可能在许多方面存在差异。

要估计远离临界值处的效应、合并不同阈值处的效应,或预测政策扩展的结果,都需要超出识别原有局部不连续变化所需假设之外的额外假设。