ScholarGate
Asistente
Regression modelQuasi-experimental / causal inference

Diseño de Regresión Discontinua Bayesiana

El Diseño de Regresión Discontinua Bayesiana (Bayesian RDD) integra el marco clásico de RD —que estima un efecto causal local en un punto de corte de asignación conocido— dentro de un motor de inferencia bayesiano. Se colocan distribuciones a priori sobre las funciones de regresión a cada lado del punto de corte y sobre el parámetro del efecto del tratamiento, lo que produce una distribución posterior completa sobre el estimador causal en lugar de una única estimación puntual con un valor p frecuentista.

Abrir en MethodMindPróximamenteApply, compare, get guidance
Tools & resources
Descargar diapositivas
Learn & explore
VídeoPróximamente

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Mapa de métodos

El vecindario de métodos relacionados: selecciona un nodo para explorarlo.

Fuentes

  1. Karabatsos, G., & Walker, S. G. (2004). Coherent inference in regression discontinuity designs with a Bayesian nonparametric approach. Journal of the American Statistical Association, 99(468), 1121-1131. link
  2. Chib, S., & Jacobi, L. (2016). Bayesian fuzzy regression discontinuity analysis and returns to compulsory schooling. Journal of Applied Econometrics, 31(6), 1026-1047. DOI: 10.1002/jae.2481

Cómo citar esta página

ScholarGate. (2026, June 3). Bayesian Regression Discontinuity Design. ScholarGate. https://scholargate.app/es/causal-inference/bayesian-regression-discontinuity-design

¿Qué método?

Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.

Comparar lado a lado
ScholarGateBayesian Regression Discontinuity Design (Bayesian Regression Discontinuity Design). Recuperado el 2026-06-15 de https://scholargate.app/es/causal-inference/bayesian-regression-discontinuity-design · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026