39
个编辑
更改
无编辑摘要
尽管缺乏一个实验设计，一个 RDD 可以利用干预的外部特征来引出因果效应。如果给予所有特定年级以上的学生(例如80%)奖学金，就有可能通过比较80% 分界线附近的学生，得出当地的治疗效果。这里的直觉是，一个得分79% 的学生很可能与一个得分81% 的学生非常相似ーー假设预先设定的阈值是80% 。但是，一个学生将获得奖学金，而另一个学生不会。将受奖者(治疗组)的治疗结果与非受奖者(对照组)的反事实治疗结果进行比较，可以达到局部治疗效果。
尽管缺乏一个实验设计，一个 RDD 可以利用干预的外部特征来引出因果效应。如果给予所有特定年级以上的学生(例如80%)奖学金，就有可能通过比较80% 分界线附近的学生，得出当地的治疗效果。这里的直觉是，一个得分79% 的学生很可能与一个得分81% 的学生非常相似ーー假设预先设定的阈值是80% 。但是，一个学生将获得奖学金，而另一个学生不会。将受奖者(治疗组)的治疗结果与非受奖者(对照组)的反事实治疗结果进行比较，可以达到局部治疗效果。
编辑后：
尽管缺乏一个实验设计，但一个RDD研究可以利用干预的外部特征来引出因果效应。如果给予所有特定分数以上的学生（如80分）奖学金，就能够通过比较在80分临界值附近的学生，得出局部处理效果。这里的经济学直觉是，一个得分79分的学生很可能与一个得分81分的学生非常相似--假设预先设定的阈值是80分。但不同的是，得分是81分的学生将获得奖学金，而79分的学生不会获得奖学金。将获得奖学金（处理组）的干预效果与未获得奖学金（对照组）的反事实处理效果进行比较，可以得到局部处理效果。
== Methodology ==
== Methodology ==
* 一个政治家以微弱多数获胜的选举。
* 一个政治家以微弱多数获胜的选举。
* 将学生分类到治疗项目中的教育分数。
* 将学生分类到治疗项目中的教育分数。
编辑后：
由年龄资格标准确定干预与否的政策（如：养老金政策，最低法定饮酒年龄）
一个政治家以微弱优势获胜的选举。
在教育中的分数线将学生分类到干预项目中。
== Required assumptions ==
== Required assumptions ==
= = 所需假设 = = 回归不连续性设计要求除了处理变量和结果变量之外，所有潜在相关变量在处理和结果不连续性发生的点都是连续的。一个充分但不是必要的条件是，治疗分配在治疗门槛处是“和随机分配一样好”。如果这种说法成立，那么它保证了那些刚刚接受治疗的人与那些刚刚没有接受治疗的人是可比的，因为治疗状况实际上是随机的。
= = 所需假设 = = 回归不连续性设计要求除了处理变量和结果变量之外，所有潜在相关变量在处理和结果不连续性发生的点都是连续的。一个充分但不是必要的条件是，治疗分配在治疗门槛处是“和随机分配一样好”。如果这种说法成立，那么它保证了那些刚刚接受治疗的人与那些刚刚没有接受治疗的人是可比的，因为治疗状况实际上是随机的。
编辑后：
= = 所需假设 = = 断点回归设计要求除了干预变量和结果变量之外，所有潜在的相关协变量均应是连续的，
Treatment assignment at the threshold can be "as good as random" if there is randomness in the assignment variable and the agents considered (individuals, firms, etc.) cannot perfectly manipulate their treatment status. For example, suppose the treatment is passing an exam, where a grade of 50% is required. In this case, this example is a valid regression discontinuity design so long as grades are somewhat random, due either to the randomness of grading or randomness of student performance.
Treatment assignment at the threshold can be "as good as random" if there is randomness in the assignment variable and the agents considered (individuals, firms, etc.) cannot perfectly manipulate their treatment status. For example, suppose the treatment is passing an exam, where a grade of 50% is required. In this case, this example is a valid regression discontinuity design so long as grades are somewhat random, due either to the randomness of grading or randomness of student performance.