Dinamik Bulanık Regresyon Kesintisi Tasarımı
Dynamic Fuzzy Regression Discontinuity Design · Ayrıca şöyle bilinir: Dynamic Fuzzy RDD, DFRD, Time-varying Fuzzy RD, Dynamic Fuzzy RD Design
Dinamik Bulanık Regresyon Kesintisi Tasarımı, standart bulanık RDD'yi bir panel veya çok dönemli bir ortama genişleterek araştırmacıların olasılıksal eşik tabanlı bir tedavinin nedensel etkisinin zaman içinde nasıl geliştiğini tahmin etmelerine olanak tanır. IV tabanlı bulanık bir ilk aşamayı zaman endeksli sonuçlarla birleştirerek, tedavi etkilerini tek bir kesitsel anlık görüntüde değil, birden çok tedavi sonrası dönemde izler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu tasarımı, bir politika kesme noktasına sahip sürekli bir zorlayıcı değişkeniniz olduğunda, tedavi atamasına kısmi uyum (tasarımı bulanık hale getiren) ve tedavi sonrası birden çok dönemde sonuçların gözlemlenmesine izin veren panel veya tekrarlanan kesitsel verileriniz olduğunda kullanın. Program etkilerinin devam edip etmediği veya azalıp azalmadığı, örneğin okul finansmanının çok yıllık getirileri, zamanla değişen etkilere sahip sağlık müdahaleleri veya fayda uygunluğu gibi sorular için çok uygundur. Uyumun neredeyse mükemmel olduğu durumlarda (keskin bir RDD daha basittir), çalıştırma değişkeninin kesme noktasına yakın manipüle edilebilir olduğu durumlarda veya panelin çok kısa olduğu durumlarda (iki tedavi sonrası dönemden az) kullanmayın — bu durumlarda standart bir bulanık RDD veya DiD tabanlı bir tasarım daha uygundur.
Güçlü yönler & sınırlılıklar
- Tedavi ataması olasılıksal olsa bile, eşiği bir araç olarak kullanarak güvenilir bir nedensel etki elde eder.
- Tedavi etkilerinin dinamik zaman profilini izler, etkilerin büyüyüp büyümediğini, plato yapıp yapmadığını veya azalıp azalmadığını ortaya koyar.
- Panel boyutundaki sabit etkiler aracılığıyla birime özgü ve döneme özgü karıştırıcı faktörleri kontrol eder.
- Yalnızca kesme noktasına yakın yerel varyasyona dayanır, eşikten uzaktaki birimlere genelleme endişelerini azaltır.
- Güç analizini tamamlar: bant genişliği ve dönem sayısı birlikte kesme noktasına yakın etkili örneklem büyüklüğünü belirler.
- Tanımlama yereldir — LATE yalnızca kesme noktasına yakın uyumlu olanlar için geçerlidir, daha geniş popülasyona genellenebilirliği sınırlar.
- Her zaman döneminde kesme noktasına yakın yeterince yoğun bir çalıştırma değişkeni gerektirir; marjinaldeki seyrek veriler hassasiyeti zayıflatır.
- Aracın (kesme noktası geçişi) sonuç denkleminden tedavi dışında dışlanabilir olduğunu varsayar — dışlama kısıtlamasının kirlenmesi IV'yi geçersiz kılar.
- Bant genişliği seçimi yanlılık ve varyans arasında denge kurmalıdır; tüm zaman dönemlerinde ortak bir bant genişliği her biri için ayrı ayrı optimal olmayabilir.
- Uzun vadeli dinamik etkiler, zamanla kesme noktasına yakın birimlerdeki yıpranma veya kompozisyonel değişikliklerle karıştırılabilir.
SSS
Bulanık versiyonu keskin versiyondan ayıran nedir?
Keskin bir RDD'de kesme noktasının üzerindeki her birim tedavi edilir ve altındaki her birim tedavi edilmez. Bulanık versiyonda, kesme noktasını geçmek tedavinin olasılığını artırır ancak bunu garanti etmez, bu nedenle eşik bir araç görevi görür ve tahmin yalnızca kesme noktasına yakın uyumlu olanlar için Yerel Ortalama Tedavi Etkisidir.
Dinamik uzantı için kaç zaman dönemine ihtiyacım var?
Herhangi bir dinamiği izlemek için en az iki tedavi sonrası döneme ihtiyaç vardır. Cellini ve diğerleri (2010) on tedavi sonrası döneme kadar kullanmıştır. Daha fazla dönem, büyüme veya azalma modellerini tespit etmek için hassasiyeti artırır, ancak her dönemde güvenilir yerel tahminler elde etmek için kesme noktasına yakın yeterli birim olmalıdır.
Dinamik ortamda bant genişliğini nasıl seçerim?
Bant genişliği, kesme noktasından ne kadar uzaktaki gözlemleri dahil ettiğinizi kontrol eder. Tüm dönemlerde ortak bir bant genişliği (daha basit, karşılaştırılabilir) veya döneme özgü optimal bant genişlikleri (daha verimli) kullanabilirsiniz. Imbens ve Kalyanaraman (2012) gibi veri odaklı seçiciler standarttır; bant genişlikleri arasında hassasiyet kontrolleri her zaman tavsiye edilir.
Çalıştırma değişkenim kısmen manipüle edilebilir ise ne olur?
Kesme noktasına yakın manipülasyon — birimlerin hemen üstüne veya altına sıralanması — yarı-rastgele atamayı geçersiz kılar ve IV'yi bozar. Her dönemde bir McCrary (2008) yoğunluk testi çalıştırın. Manipülasyon tespit edilirse, DiD veya eşleştirme gibi farklı bir tanımlama stratejisi düşünülmelidir.
Tüm zaman dönemlerini tek bir regresyonda birleştirebilir miyim?
Evet, dönem-eşik etkileşimleri ile yığılmış veya birleştirilmiş bir regresyon yaygındır ve istatistiksel gücü artırır. Etkilerin zaman yoluna bir fonksiyonel form dayatır. Tam dinamik profili göstermek için hem birleştirilmiş hem de döneme özgü tahminleri raporlayın.
Kaynaklar
- 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 ↗
- Cellini, S. R., Ferreira, F., & Rothstein, J. (2010). The Value of School Facility Investments: Evidence from a Dynamic Regression Discontinuity Design. Quarterly Journal of Economics, 125(1), 215-261. DOI: 10.1162/qjec.2010.125.1.215 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/dynamic-fuzzy-regression-discontinuity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Panel Veri Regresyon Kesme TasarımıNedensel çıkarım↔ karşılaştır