Fuzzy Regression Discontinuity Design
Fuzzy Regression Discontinuity Design (Fuzzy RDD) novērtē cēloņsakarību efektus, ja ārstēšanas pieejamība tiek noteikta pēc noteiktas vērtības (sliekšņa) nepārtraukti mainīgajam lielumam, taču faktiskā šīs ārstēšanas izmantošana ir nepilnīga — daži tiesīgie subjekti nesaņem ārstēšanu, bet daži tiesību neieguvušie to saņem. Sliekšņa vērtība darbojas kā instruments, un novērtējamais lielums ir lokālais vidējais ārstēšanas efekts (LATE) tiem subjektiem, kuri ievēro noteikumus (compliers) un atrodas tuvu sliekšņa vērtībai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
+vēl 13
Avoti
- Hahn, J., Todd, P., & van der Klaauw, W. (2001). Identification and Estimation of Treatment Effects with a Regression-Discontinuity Design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Imbens, G. W., & Lemieux, T. (2008). Regression discontinuity designs: A guide to practice. Journal of Econometrics, 142(2), 615-635. DOI: 10.1016/j.jeconom.2007.05.001 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/lv/causal-inference/fuzzy-regression-discontinuity
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Divpakāju mazāko kvadrātu (2SLS / IV) regresijaEkonometrija↔ salīdzināt
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ salīdzināt
- Lokālais vidējais ārstēšanas efekts (LATE / CACE)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →