Çok Dönemli Regresyon Süreksizlik Tasarımı
Multi-period Regression Discontinuity Design · Ayrıca şöyle bilinir: multi-wave RD, repeated RDD, dynamic RD, multi-cutoff RDD
Çok dönemli regresyon süreksizlik tasarımı, klasik RDD'yi, bir kesme noktası tabanlı tedavinin birden çok dalga halinde, tekrarlanan zaman dönemleri boyunca veya değişen eşiklerle uygulandığı ortamlara genişletir. Dönem-spesifik süreksizlik tahminlerini havuzlayarak veya karşılaştırarak, araştırmacılar istatistiksel kesinlik kazanır ve nedensel etkilerin zamanla nasıl geliştiğini veya devam ettiğini inceleyebilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tedavi, birkaç zaman dönemi, akademik kohort veya politika dalgası boyunca tekrarlanan bir eşik kuralı tarafından atanırsa ve kanıtları havuzlamak veya etkileri zaman içinde karşılaştırmak istiyorsanız çok dönemli RDD kullanın. Özellikle tek bir dönemin kesme noktası yakınındaki örneği küçük olduğunda değerlidir, çünkü dönemler boyunca havuzlama etkili örneklem büyüklüğünü artırır. Çalışma değişkeninin veya kesme noktasının dönemler boyunca anlamını değiştirdiği ve tahminleri karşılaştırılamaz hale getirdiği durumlarda, sistematik sıralama veya birden fazla dalgayı aynı anda etkileyen beklenti olduğu durumlarda veya birimlerin bir dönemden diğerine yerel karşılaştırmayı karıştıran şekillerde taşındığı durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Zaman içinde kesme noktası yakınındaki birden fazla yerel olarak rastgele örneklemi havuzlayarak istatistiksel kesinliği artırır.
- Etki dinamiklerinin araştırılmasını sağlar — etkilerin sonraki dönemlerde büyüyüp büyümediği, azalıp azalmadığı veya kayıp kaymadığı.
- Tek dönemli bir RDD'den daha zengin plasebo ve ön eğilim testi desteği sağlar, süreklilik varsayımının güvenilirliğini güçlendirir.
- Tek dalgalı bir tasarımın ortaya çıkaramayacağı zamanla değişen heterojenlikteki tedavi etkilerinin tespit edilmesini sağlar.
- Tek bir tahmin çerçevesinde zamanla değişen eşikleri veya çoklu kesme noktası ayarlarını barındırabilir.
- Her dönemde geçerli olması gereken temel RDD süreklilik varsayımını gerektirir; herhangi bir dalgada sıralama veya manipülasyon olursa, o dalganın tahmini geçersizdir.
- Dönemler boyunca tahminleri havuzlamak, yalnızca her dönemin kesme noktası ve çalışma değişkeninin dalgalar boyunca kavramsal olarak karşılaştırılabilir olması durumunda yorumlanabilir.
- Dönemler boyunca çoklu test yapmak, uygun düzeltme olmadan yanlış bulgular riskini artırır.
- Kesme noktaları veya veri dağılımları döneme göre farklılık gösterdiğinde bant genişliği seçimi daha karmaşık hale gelir.
- Bir dönemde tedavi gören ve başka bir dönemde kontrol olarak hizmet veren birimleri dikkatli bir şekilde hesaba katmadan ele almaz.
SSS
Çok dönemli RDD, standart bir RDD'den nasıl farklıdır?
Standart bir RDD, tek bir dönem veya tek bir kesme noktası ile kesit kullanır. Çok dönemli RDD, birden fazla zaman dönemi veya kohort boyunca aynı eşik tabanlı tanımlama stratejisini uygular, hassasiyet için havuzlanabilen veya etki dinamiklerini tespit etmek için karşılaştırılabilen bir dizi dönem-spesifik tahmin üretir.
Farklı dönemlerde farklı kesme noktaları kullanabilir miyim?
Evet, ancak karşılaştırılabilirlik sağlanmalıdır. Eşik, marjinal olarak tedavi edilen kişiyi temelden değiştiren bir şekilde değişirse, tahminler doğrudan karşılaştırılamaz ve havuzlama dikkat gerektirir. Her dönem için kesme noktası değerlerini belgeleyin ve yerel uyumlu popülasyonların benzer olup olmadığını değerlendirin.
Tanımlayıcı varsayımı birden çok dönem boyunca nasıl test ederim?
Manipülasyonu kontrol etmek için her dönemin kesme noktasında yoğunluk (McCrary) testleri çalıştırın. Ön tedavi dönemlerini plasebo testleri olarak kullanın: tedavi başlamadan önce RD tahminleri sıfıra yakın olmalıdır. Her dalgada kesme noktasındaki kovaryant düzgünlüğünü inceleyin.
Hangi yazılımı kullanabilirim?
R'deki rdrobust paketi ve Stata (Calonico, Cattaneo, Titiunik), MSE-optimal bant genişliği seçimini ve sağlam güven aralıklarını sağlar ve dönem dönem uygulanabilir. Sonuçlar daha sonra manuel olarak veya meta-analitik ağırlıklarla havuzlanabilir.
Çok dönemli RDD, farklar-içinde-süreksizlikler ile aynı mıdır?
Hayır. Farklar-içinde-süreksizlikler, eşikte sürekli olan karıştırıcıları kaldırmak için RDD'yi bir ön-sonra kontrastı ile birleştirir. Çok dönemli RDD bunun yerine, eşiği asla geçmeyen bir karşılaştırma grubu gerektirmeden, aynı atama kuralına sahip tekrarlanan dönemlerden ayrı RD tahminlerini havuzlar veya karşılaştırır.
Kaynaklar
- Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2020). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press. DOI: 10.1017/9781108684606 ↗
- Calonico, S., Cattaneo, M. D., & Titiunik, R. (2019). Regression Discontinuity Designs Using Covariates. Review of Economics and Statistics, 101(3), 442-451. DOI: 10.1162/rest_a_00760 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-regression-discontinuity-design
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
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Panel Veri Regresyon Kesme TasarımıNedensel çıkarım↔ karşılaştır