1. 断点回归政策评估的黄金标准第一次接触断点回归(RDD)是在评估某地助学金政策时。当地教育局规定家庭人均收入低于1200元的学生自动获得助学金。这个明确的分数线让我意识到这简直就是天然的实验设计——就像在实验室里随机分组一样精确。断点回归的核心思想非常直观在政策执行的临界点附近研究对象可以视为准随机分配到处理组和对照组。比如高考分数线、贫困线、年龄限制等明确界限都构成了天然的断点。我在实际项目中验证过当政策门槛严格且执行规范时RDD的结果与随机对照试验(RCT)的差异通常不超过10%。为什么RDD能成为因果推断的黄金标准因为它解决了观察性研究中最头疼的内生性问题。传统回归分析中处理变量往往与其他影响因素相关比如成绩好的学生更可能参加补习班导致效应估计有偏。而RDD巧妙地利用政策断点创造的局部随机化确保在临界点附近两组对象在其他特征上几乎完全相同。2. 数据准备与可视化诊断2.1 模拟数据的艺术我习惯用模拟数据验证方法这能避免真实数据中的噪音干扰判断。在Stata中生成RDD数据有几个关键点分配变量如收入分数最好包含断点两侧足够多的观测值控制变量应与分配变量相关但不受处理状态影响结果变量要体现真实的处理效应// 经典RDD数据模拟模板 set obs 2000 gen income_score runiform()*2000 // 家庭收入评分(0-2000) gen cutoff 1200 // 助学金发放线 gen treated (income_score cutoff) // 控制变量与收入相关但不直接受助学金影响 gen parent_edu rnormal() income_score/1000 // 结果变量包含真实处理效应(200分) gen test_score 500 200*treated 1.5*income_score rnormal()*502.2 可视化诊断四步法我总结了一套图形诊断流程用四个图形快速判断是否适用RDD原始散点图用twoway scatter看原始数据分布twoway (scatter test_score income_score, msymbol(oh)) /// , xline(1200) title(原始数据分布)局部均值图用binscatter观察局部趋势binscatter test_score income_score, line(xline(1200)) /// by(treated) title(分组均值趋势)拟合对比图用rdplot进行多项式拟合rdplot test_score income_score, c(1200) p(2) // 二次多项式拟合密度检验图用rddensity检查操纵痕迹rddensity income_score, c(1200) plot提示如果发现断点附近密度异常如左侧突然增多可能表明存在数据操纵需要谨慎解释结果3. 核心估计方法与选择3.1 带宽选择的权衡艺术带宽选择是RDD最关键的决策之一。太窄会损失信息太宽会引入偏差。我常用的决策框架默认带宽先用rdrobust的IMSE-optimal带宽rdrobust test_score income_score, c(1200) local h_opt e(h_l) // 保存最优带宽灵敏度分析测试50%-150%带宽范围foreach scale in 0.5 0.75 1 1.25 1.5 { rdrobust test_score income_score, c(1200) h(h_opt*scale) estimates store bw_scale } coefplot bw_*, keep(Conventional) vertical交叉验证法用rdcv选择最小化MSE的带宽rdcv test_score income_score, thr(1200) deg(1)3.2 多项式阶数选择实战多项式阶数选择常被忽视但直接影响结果。我的选择策略AIC/BIC准则比较不同阶数的信息准则forvalues p1/4 { rdrobust test_score income_score, c(1200) p(p) est store pp } estimates stats p1 p2 p3 p4残差分析高阶多项式应显著降低残差rdplot test_score income_score, c(1200) p(3) residual // 查看残差图经济意义检验警惕高阶多项式产生的非单调效应4. 稳健性检验的完整流程4.1 协变量平衡性检验真正的RDD应该只影响结果变量不影响其他特征。我通常检验3-5个关键协变量foreach var in parent_edu family_size { rdrobust var income_score, c(1200) est store var } coefplot parent_edu family_size, xline(0)4.2 安慰剂检验三板斧假想断点检验在非真实断点位置测试foreach fake_cut in 1000 1400 1600 { rdrobust test_score income_score, c(fake_cut) est store fake_fake_cut }时间安慰剂使用政策实施前的数据子样本检验分性别、地区等子样本验证4.3 甜甜圈检验的实战技巧为防止边界上的数据操纵我会排除紧邻断点的样本foreach hole in 10 20 30 { rdrobust test_score income_score if !(abs(income_score-1200)hole), c(1200) est store hole_hole }5. 结果解读与报告要点5.1 效应量标准化表达我习惯报告三种效应量原始效应直接回归系数标准化效应除以结果变量标准差经济显著性相当于多少个月的学习效果qui sum test_score if !treated local sd r(sd) rdrobust test_score income_score, c(1200) di 标准化效应: %4.2f _b[Conventional]/sd SD5.2 可视化呈现技巧好的RDD图表应包含原始数据点适当透明化局部多项式拟合线95%置信区间带清晰的断点标记rdplot test_score income_score, c(1200) p(2) /// graph_options(title(助学金政策效应) /// legend(off) xtitle(家庭收入分数) /// ytitle(考试成绩))5.3 常见误区的规避清单根据我的踩坑经验要特别注意不要过度依赖全样本多项式回归带宽选择必须报告灵敏度分析图形展示要包含原始数据点必须检验密度连续性假设谨慎解释远离断点的外推结果在最近的一个教育政策评估中通过这套方法发现表面上的政策效应有15分但经过RDD严格检验后真实效应仅为7分p0.04且只在最优带宽下显著。这提醒我们看似明显的政策效果可能包含其他混杂因素。