Bulanık Regresyon Süreksizlik Tasarımı
Fuzzy Regression Discontinuity Design · Ayrıca şöyle bilinir: Fuzzy RD, Fuzzy RDD, Fuzzy RD Design, Imperfect RDD
Bulanık Regresyon Süreksizlik Tasarımı (Bulanık RDD), tedaviye uygunluğun bir değişken üzerindeki eşik değere göre belirlendiği ancak tedavinin fiili kabulünün kusurlu olduğu durumlarda nedensel etkileri tahmin eder — yani, uygun birimlerin bir kısmı tedaviyi almazken, uygun olmayan birimlerin bir kısmı da alabilir. Eşik, bir araç değişken olarak işlev görür ve tahmin edilen değer, eşik civarındaki uyumlular için Yerel Ortalama Tedavi Etkisi'dir (LATE).
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+12 tane daha
Ne zaman kullanılır
Tedavi uygunluğunun ölçülebilir bir değişken üzerindeki bir eşik tarafından belirlendiği ancak uyumun kusurlu olduğu — yani her uygun birimin tedaviyi kabul etmediği ve/veya bazı uygun olmayan birimlerin tedavi aldığı — durumlarda Bulanık RDD kullanın. Yöntem, eşik civarında yeterli gözlem yoğunluğu, birimlerin hassas bir şekilde manipüle edemeyeceği bir değişken ve aynı eşikte başka süreksiz politika olmamasını gerektirir. Tahmin edilen değer yereldir: yalnızca eşik civarındaki uyumlular için geçerlidir. İlk aşama tedavi olasılığı sıçramasının çok küçük olduğu (zayıf araç sorunu), değişkenin eşik etrafında hassas bir şekilde sıralanabildiği veya ilgilenilen sonucun yalnızca eşikten uzakta ilgili olduğu durumlarda Bulanık RDD kullanmayın.
Güçlü yönler & sınırlılıklar
- Gözlemsel verilerden, uygunluk kuralına uyumun kusurlu olduğu durumlarda, eşiği doğal bir araç olarak kullanarak güvenilir nedensel tanımlama sağlar.
- Seçim-gözlemlenebilir yöntemlere kıyasla minimum varsayım gerektirir: yalnızca potansiyel sonuçların eşikte yerel sürekliliği, tam göz ardı edilebilirlik değil.
- Şeffaf tasarım: eşik, değişken ve uyum sıçraması gözlemlenebilir ve doğrudan test edilebilir.
- Çoklu eşik ayarlarına doğal olarak genişler ve tanımlama stratejisini değiştirmeden hassasiyeti artırmak için kovaryat ayarlamasıyla birleştirilebilir.
- Grafiksel kanıtlar (eşik etrafındaki sonuç ve ilk aşama grafikleri) sezgisel, parametrik olmayan destek sağlar.
- Eşik civarındaki uyumlular için bir LATE tahmin eder, bu da eşikten uzaktaki birimlere veya her zaman alanlara ve asla alanlara genellenmeyebilir.
- Eşik civarında yeterli gözlem yoğunluğu gerektirir; c'ye yakın seyrek veriler geniş güven aralıkları ve bant genişliği seçimine duyarlılık verir.
- Zayıf bir ilk aşama — tedavi olasılığındaki küçük bir sıçrama — sıfıra yakın bir payda ve şişirilmiş varyansa yol açar (zayıf araç yanlılığı).
- Bant genişliği ve polinom derecesi seçimlerine duyarlıdır; makul spesifikasyonlar arasında anlamlı ölçüde değişebilir.
- Uyumsuzlar (her zaman alanlar ve asla alanlar) için etkileri tanımlayamaz, bu da tahminin politika ile ilgili kapsamını sınırlar.
SSS
Bir RDD'yi 'keskin' yerine 'bulanık' yapan nedir?
Keskin bir RDD'de, eşiği geçmek tedaviyi mükemmel bir şekilde belirler: üzerindeki herkes onu alır ve altındaki kimse almaz. Bulanık bir RDD, eşiğin yalnızca tedavi olasılığını değiştirdiği durumlarda ortaya çıkar — uygun birimlerin bir kısmı tedaviyi kabul etmez ve uygun olmayan birimlerin bir kısmı onu alır. Eşik daha sonra tedavi yerine araç olarak kullanılır.
Bulanık RDD tahmincisi aslında neyi ölçer?
Uyumlular için Yerel Ortalama Tedavi Etkisini (LATE) tahmin eder — yani, eşiği geçtikleri için tedavi alan ve aksi takdirde almayacak olan birimler. Her zaman alanlar (her durumda tedavi görenler) ve asla alanlar (her durumda tedavi görmeyenler) tanımlanmaz, bu nedenle tahmin eşik civarındaki uyumlulara yereldir.
İlk aşamamın yeterince güçlü olup olmadığını nasıl anlarım?
İlk aşama regresyonunu tahmin edin ve eşikteki tedavi olasılığındaki sıçramanın hem istatistiksel olarak anlamlı hem de ekonomik olarak anlamlı olduğundan emin olun (örneğin, en az %10-20 puan). 10'un oldukça üzerinde bir ilk aşama F-istatistiği, zayıf araç endişelerini dışlamak için geleneksel eşiktir.
Bant genişliğini nasıl seçmeliyim?
Yanlılık ve varyansı dengeleyen Calonico, Cattaneo ve Titiunik (CCT) prosedürü gibi veri güdümlü bir optimal bant genişliği seçici kullanın. Bulguların belirli seçime bağlı olmadığını göstermek için en az iki alternatif bant genişliği (örneğin, optimalin yarısı ve iki katı) için sonuçları her zaman rapor edin.
Birimler değişkeni manipüle edebilirse ne olur?
Birimler kendilerini hassas bir şekilde eşiğin hemen üzerine veya altına sıralayabilirse, süreklilik varsayımı çöker ve RDD tahmini yanlı olur. Bunu, McCrary (2008) yoğunluk testi kullanarak değişkenin c etrafındaki yoğunluğunu inceleyerek test edin. Eşikte yoğunlukta anlamlı bir sıçrama uyarı işaretidir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/fuzzy-regression-discontinuity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İki Aşamalı En Küçük Kareler (2SLS / IV) RegresyonuEkonometri↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Yerel Ortalama Tedavi Etkisi (LATE / CACE)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır