İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Nedensel çıkarım›Çok Dönemli Bulanık Regresyon Kesintisi Tasarımı
Regression modelQuasi-experimental / causal inference

Çok Dönemli Bulanık Regresyon Kesintisi Tasarımı

Multi-period Fuzzy Regression Discontinuity Design · Ayrıca şöyle bilinir: multi-period fuzzy RDD, fuzzy RD with repeated assignment, multi-wave fuzzy RD, staggered fuzzy RDD

Çok dönemli bulanık regresyon kesintisi tasarımı, bir kesme kuralının uygulamayı yalnızca kısmen belirlediği — yani, eşiği geçmenin uygulama olasılığını artırdığı ancak garanti etmediği — ve bu atama sürecinin iki veya daha fazla zaman dilimi veya kohort boyunca gözlemlendiği durumlarda yerel ortalama uygulama etkisini tahmin eder. Bu, tekrarlanan eşik yakınındaki karşılaştırmalar altında birleştirilmiş veya döneme özgü nedensel tahminlere olanak tanır.

ScholarGate
  1. Regression model
  2. v1
  3. 2 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Çok Dönemli Bulanık Regresyon Kesintisi Tasarımı
Bulanık Regresyon Süreks…Nedensel Çıkarım için En…Çok Dönemli Farkların Fa…Panel Veri Regresyon Kes…

Ne zaman kullanılır

Bu tasarımı, uygulama ölçülebilir bir skor üzerindeki bir kesme noktasıyla belirlendiğinde, uyum kusurlu (bulanık) olduğunda ve veriler en az iki dönem veya kohort boyunca mevcut olduğunda kullanın. Tek dönemli bir bulanık RD'nin sağladığından daha fazla güç istediğinizde veya etki heterojenliğini zaman içinde izlemek istediğinizde uygundur. Yürütme değişkeni sürekli olmadığında veya kısmen ajanın kontrolü altında olduğunda (manipülasyon), kesme eşiği o kadar sık değiştiğinde ki hiçbir dalganın yeterli bant genişliği olmadığında, herhangi bir dönemde optimal bant genişliği içinde kabaca 50'den az gözlem düştüğünde veya kesme noktasındaki uygulama etkilerinin dönemler arasında yerel olarak stabil kalması mantıksız olduğunda uygun değildir.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Kesme noktası yakınındaki birden fazla yerel deneyi birleştirerek, tek dönemli bir bulanık RD'ye kıyasla istatistiksel gücü önemli ölçüde artırır.
  • Gözlemsel verilerde bile, minimal parametrik varsayımlarla kesme noktasına yakın uyumlular için güvenilir bir LATE tahmin eder.
  • Döneme özgü tahminler, araştırmacıların uygulama etkilerinin zaman içinde büyüyüp büyümediğini, azalıp azalmadığını veya tersine dönüp dönmediğini tespit etmelerini sağlar.
  • Eşik tabanlı atama şeffaftır ve politika yapıcılara ve hakemlere kolayca iletilir.
  • Veriler panel olduğunda, zamandan bağımsız birim heterojenliğini ortadan kaldırmak için sabit etkiler spesifikasyonları dahil edilebilir.
Sınırlılıklar
  • LATE yalnızca kesme noktasına yakın uyumlular için geçerlidir; eşikten uzaktaki birimlere veya asla-alanlara ve her zaman-alanlara genellenemez.
  • Yürütme değişkeni manipüle edilebilir ise (ajanlar kesme noktası etrafında sıralanır), yerel rastgeleleştirme ihlal edilir ve tahminler yanlı olur.
  • Dönemleri birleştirmek, uygulama etkisinin dönemler arasında sabit olduğunu veya döneme özgü tahminlerin doğru bir şekilde belirtildiğini zımnen varsayar; modellenmemiş heterojenlik yanıltıcı birleştirilmiş tahminler üretebilir.
  • Bant genişliği seçimi, özellikle örneklem büyüklükleri dönemler arasında önemli ölçüde farklılık gösterdiğinde, çok dönemli ayarlarda daha karmaşıktır.
  • Her dönemde güçlü bir birinci aşama gerektirir; bazı dönemlerdeki zayıf araçlar, birleştirilmiş standart hatayı şişirir veya LATE'yi OLS tahminine doğru saptırır.

SSS

Bu tasarımı 'keskin' olmaktan ziyade 'bulanık' yapan nedir?

Keskin bir RD'de, kesme noktasını geçmek uygulamayı mükemmel bir şekilde belirler: eşiğin üzerindeki herkes tedavi edilir ve altındaki herkes tedavi edilmez. Bulanık bir RD'de, eşiği geçmek yalnızca uygulama olasılığını değiştirir — nitelikli olan bazıları reddeder ve nitelikli olmayan bazıları hala tedavi alır. Bu nedenle eşik bir araç olarak kullanılır ve LATE, tedavi durumu kesme noktası tarafından fiilen değiştirilen uyumlular için geçerlidir.

Çok dönemli bulanık bir RD'de bant genişliğini nasıl seçerim?

Her dönem içinde ayrı ayrı veri odaklı bir bant genişliği seçiciyi (Calonico, Cattaneo ve Titiunik'in MSE-optimal veya CER-optimal seçicileri gibi) uygulayın. Döneme özgü örneklem büyüklükleri küçükse, dönemler arasında ortak bir bant genişliği uygulanabilir, ancak bu, daha büyük dönemlerdeki yanlılığı daha küçük dönemlerdeki stabilite ile takas eder.

Birim sabit etkilerini dahil edebilir miyim?

Evet, aynı birimler birden fazla dönemde görünüyorsa (panel verileri). Sabit etkiler, zamandan bağımsız gözlemlenmeyen heterojenliği ortadan kaldırır ve hassasiyeti artırabilir. Ancak, tanımlayıcı varyasyon hala her dönemdeki eşik geçişinden gelir, bu nedenle bant genişliği ve manipülasyon kontrolleri her dönem içinde uygulanmalıdır.

Kesme değeri dönemler arasında değişirse ne olur?

Kesme noktası bilindiği ve yerel rastgeleleştirme varsayımı her dönemin kesme noktası yakınında geçerli olduğu sürece döneme özgü tahminler geçerli kalır. Birleştirme daha karmaşıktır çünkü uyumlu popülasyonlar farklılık gösterebilir; ayrı tahminler sunmak daha güvenlidir ve araştırmacı, uygulama mekanizmasının farklı eşikler arasında karşılaştırılabilir olduğunu savunmalıdır.

Bu, panel veri bulanık RD'den nasıl farklıdır?

İki etiket önemli ölçüde örtüşmektedir. 'Panel veri bulanık RD', aynı birimlerin zaman içinde izlendiğini ve sabit etkilere olanak tanıdığını vurgular. 'Çok dönemli bulanık RD', eşik atamasının birden fazla dalgada gerçekleştiğini ve döneme özgü veya birleştirilmiş tahminlerin birincil çıktı olduğunu vurgular. Pratikte, iki tasarım genellikle çakışır; ayrım, temel bir metodolojik farklılıktan ziyade çerçeveleme ve tahmin edici seçimiyle ilgilidir.

Kaynaklar

  1. 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 ↗
  2. Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2021). A Practical Introduction to Regression Discontinuity Designs: Extensions. Cambridge Elements in Quantitative and Computational Methods for the Social Sciences. Cambridge University Press. link ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 3). Multi-period Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-fuzzy-regression-discontinuity

İlişkili yöntemler

Bulanık Regresyon Süreksizlik TasarımıNedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiÇok Dönemli Farkların Farkı (Aşamalı DiD)Panel Veri Regresyon Kesme Tasarımı

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
  • Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
  • Çok Dönemli Farkların Farkı (Aşamalı DiD)Nedensel çıkarım↔ karşılaştır
  • Panel Veri Regresyon Kesme TasarımıNedensel çıkarım↔ karşılaştır
Yan yana karşılaştır →

Benzer yöntemler

Çok Dönemli Regresyon Süreksizlik TasarımıPanel Veri Bulanık Regresyon Süreksizlik TasarımıBulanık Kesintili Regresyon Yöntemi ile Politika DeğerlendirmesiDinamik Bulanık Regresyon Kesintisi TasarımıBulanık Regresyon Süreksizlik TasarımıPanel Veri Regresyon Kesme TasarımıHeterojen Tedavi Etkisi Bulanık Regresyon Kesme TasarımıSağlam Bulanık Regresyon Kesilme Tasarımı

İlgili referans kavramlar

Yarı Deneysel ve Doğal Deney TasarımıDoğal DeneyTek Denklemli Modeller • Tek DeğişkenlerEksik Veri ve Katılımcı KaybıDuyarlılık AnaliziEconometrics

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Multi-period Fuzzy Regression Discontinuity (Multi-period Fuzzy Regression Discontinuity Design). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/causal-inference/multi-period-fuzzy-regression-discontinuity · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Hahn, Todd & Van der Klaauw (foundational fuzzy RD, 2001); extended to multi-period settings by Cattaneo, Idrobo & Titiunik and subsequent applied literature
Year
2001 (fuzzy RD); multi-period extension ~2010s
Type
Quasi-experimental causal inference
DataType
Panel or repeated cross-sections with a continuous running variable and a threshold assignment rule observed across multiple periods
Subfamily
Quasi-experimental / causal inference
İlişkili yöntemler
Bulanık Regresyon Süreksizlik TasarımıNedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiÇok Dönemli Farkların Farkı (Aşamalı DiD)Panel Veri Regresyon Kesme Tasarımı
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil