Eğitim Araştırmalarında Bulanık Regresyon Süreksizlik Tasarımı
Fuzzy Regression Discontinuity Design in Education Research · Ayrıca şöyle bilinir: Fuzzy RDD, Fuzzy RD, Imperfect RDD, Non-sharp RD
Bulanık Kesintili Regresyon Tasarımı (Bulanık RDD), atamanın kusurlu olduğu durumlarda bir programın veya müdahalenin etkisini tahmin etmek için bir test kesme noktası gibi bilinen bir puan eşiğini kullanan yarı-deneysel bir nedensel yöntemdir. Yaz okulu, telafi programları, burslar ve sınıf büyüklüğü kurallarını değerlendirmek için eğitim araştırmalarında yaygın olarak kullanılan bu yöntem, eşik yakınındaki öğrenciler için yerel ortalama tedavi etkisini elde etmek üzere iki aşamalı en küçük kareler yöntemini kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bulanık RDD'yi eğitim araştırmalarında, bir müdahalenin kimin alacağını güçlü bir şekilde - ancak kusurlu bir şekilde - belirleyen bilinen bir puan veya uygunluk eşiği olduğunda kullanın, örneğin telafi programı, burs, not tutma politikası veya sınıf büyüklüğü sınırı gibi. Çalışan değişken sürekli olmalı ve öğrenciler puanlarını kesme noktasının hemen üstüne veya altına hassas bir şekilde manipüle edememelidir. Yöntem, eşik yakınındaki öğrenciler için bir LATE tahmin eder ve eşikten uzaktaki öğrencilere genellenmemelidir. Uyumun esasen mükemmel olduğu (Keskin RDD kullanın), çalışan değişkenin eşikte yeterli kütle olmadan ayrık olduğu veya eşiğin bilinmediği veya endojen olarak belirlendiği durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Rastgele atama gerektirmeyen gözlemsel eğitim verilerinde güvenilir bir nedensel tahmin sağlar, doğal olarak oluşan bir kesme noktasından yararlanır.
- Araç değişken mantığını kullanarak kusurlu uyumu ele alır, bu da atama kurallarının mükemmel bir şekilde uygulanmadığı yaygın gerçek dünya vakaları için geçerli olmasını sağlar.
- Yalnızca eşik yakınındaki yerel tanımlama gerektirir, bu nedenle tam puan aralığı boyunca küresel modelleme varsayımları gerekmez.
- Şeffaf ve yanlışlanabilir: yoğunluk testleri ve plasebo kesme noktası kontrolleri, tasarım varsayımlarının titiz bir şekilde doğrulanmasına olanak tanır.
- Eğitim politikası kitleleri tarafından yaygın olarak anlaşılır ve yüksek kaliteli dergiler tarafından güvenilir bir tanımlama stratejisi olarak kabul edilir.
- Tahminler yalnızca eşik yakınındaki uyumlular için geçerlidir (LATE), eşikten uzaktaki veya diğer bağlamlardaki öğrenciler için dış geçerliliği sınırlar.
- Bant genişliği penceresinde yeterince büyük bir örneklem gerektirir - eşik yakınındaki çok küçük örneklemler belirsiz tahminler üretir.
- Çalışan değişkenin manipülasyonuna karşı hassastır: öğrenciler veya kurumlar kesme noktasının hemen üstüne veya altına sıralanabilirse, tasarım geçersiz olur.
- Bant genişliği ve polinom derecesi seçimleri önemlidir ve şeffaf bir şekilde raporlanmalıdır; sonuçlar bu kararlara duyarlı olabilir.
- Zayıf bir birinci aşama (eşikteki tedavi olasılığında küçük sıçrama), 2SLS tahmin edicisini yanlı ve güvenilmez hale getirir.
SSS
Bir RDD'yi 'keskin' yerine 'bulanık' yapan nedir?
Keskin bir RDD'de, kesme noktasını geçmek deterministik olarak tedavi atar - üstündeki herkes onu alır ve altındaki kimse almaz. Bulanık bir RDD'de, kesme noktasını geçmek tedavi olasılığını değiştirir ancak garanti etmez, çünkü uygun öğrencilerin bazıları programı almaz ve uygun olmayanların bazıları yolunu bulur. Bulanık RDD, bulanık atama olasılığındaki sıçramayı gerçek tedavi alımı için bir araç olarak kullanır.
Bulanık RDD neyi ve kimler için tahmin eder?
Bulanık RDD, Yerel Ortalama Tedavi Etkisini (LATE) tahmin eder - eşik yakınındaki uyumlular için tedavinin nedensel etkisi. Uyumlular, eşiği geçtikleri için tedavi alan ve aksi takdirde almayacak olan öğrencilerdir. Tahmin, her zaman alanlara (her durumda tedavi alacak olanlar) veya asla alanlara (her durumda almayacak olanlar) uygulanmaz.
Bulanık bir RDD'de bant genişliğini nasıl seçerim?
Yanlılık ve varyansı dengeleyen Imbens-Kalyanaraman (2012) veya Calonico-Cattaneo-Titiunik (2014) optimal bant genişliği gibi veri odaklı bir bant genişliği seçici kullanın. Sonuçların tek bir bant genişliği seçimine ağır şekilde bağlı olduğu durumlarda kırılgan olabileceğinden, her zaman birden fazla bant genişliği (örneğin, optimalin yarısı ve iki katı) için sonuçları raporlayın.
Ne tür doğrulama testleri çalıştırmalıyım?
En azından: (1) kesme noktasının hemen üstünde öğrencilerin kesintili bir yığılması olup olmadığını kontrol etmek için bir McCrary yoğunluk testi (manipülasyon testi); (2) kesinti olmaması gereken diğer puan değerlerinde plasebo kesme noktası testleri; (3) temel kovaryant düzgünlük kontrolleri - tedavi öncesi özellikler kesme noktasında sıçramamalıdır; ve (4) aracın zayıf olmadığından emin olmak için birinci aşama F-istatistiğini raporlayın.
Bulanık RDD'yi küçük bir örneklemle kullanabilir miyim?
Eşik yakınındaki küçük bir örneklem belirsiz tahminler üretir ve standart hataları şişirir. Seçtiğiniz bant genişliği içine yaklaşık 50-100 gözlemden daha azı düşerse, tahminlerin güvenilir olması olası değildir. Bant genişliğini genişletmeyi (daha fazla yanlılığı kabul ederek) düşünün veya örneklem temelde çok küçükse, tasarımın yetersiz güçte olduğunu ve tahminlerin dikkatle yorumlanması gerektiğini kabul edin.
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 ↗
- Jacob, B. A., & Lefgren, L. (2004). Remedial education and student achievement: A regression-discontinuity analysis. Review of Economics and Statistics, 86(1), 226-244. DOI: 10.1162/003465304323023778 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fuzzy Regression Discontinuity Design in Education Research. ScholarGate. https://scholargate.app/tr/causal-inference/fuzzy-regression-discontinuity-in-education-research
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- 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