Байесовский дизайн регрессионного разрыва
Байесовский дизайн регрессионного разрыва (Bayesian RDD) встраивает классическую структуру RD — которая оценивает локальный причинный эффект при известном пороговом значении — в байесовский вывод. Априорные распределения задаются для регрессионных функций по обе стороны от порога и для параметра эффекта воздействия, что дает полное апостериорное распределение для причинной оценки, а не единственную точечную оценку с частотной p-величиной.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Regression Discontinuity Design. ScholarGate. https://scholargate.app/ru/causal-inference/bayesian-regression-discontinuity-design
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовский метод разности разностей (Bayesian Difference-in-Differences)Причинно-следственный вывод↔ сравнить
- Нечеткий регрессионный разрывный дизайнПричинно-следственный вывод↔ сравнить
- Метод инструментальных переменных (ИП) для причинно-следственного выводаЭкономика здравоохранения↔ сравнить
- Локальный средний эффект воздействия (LATE / CACE)Причинно-следственный вывод↔ сравнить
- Метод подбора на основе оценки склонностиСтатистика исследований↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →