Bayesiansk regressionsdiskontinuitetsdesign
Bayesiansk regressionsdiskontinuitetsdesign (Bayesian RDD) inkorporerar det klassiska RD-ramverket – som estimerar en lokal kausal effekt vid en känd tilldelningsavskärning – inom en Bayesiansk inferensmotor. Priorfördelningar placeras på regressionsfunktionerna på vardera sidan om avskärningen och på parameter för behandlingseffekt, vilket ger en fullständig posteriorfördelning över den kausala estimanden snarare än en enskild punktuppskattning med ett frekventistiskt p-värde.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Regression Discontinuity Design. ScholarGate. https://scholargate.app/sv/causal-inference/bayesian-regression-discontinuity-design
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk differens-i-differensKausal inferens↔ jämför
- Fuzzy regressionsdiskontinuitetsdesignKausal inferens↔ jämför
- Instrumentvariabelmetoden (IV) för kausal inferensHälsoekonomi↔ jämför
- Lokal genomsnittlig behandlingseffekt (LATE / CACE)Kausal inferens↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →