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›Politika Değerlendirme Regresyon Kesintisi Tasarımı
Regression modelQuasi-experimental / causal inference

Politika Değerlendirme Regresyon Kesintisi Tasarımı

Regression Discontinuity Design for Policy Evaluation · Ayrıca şöyle bilinir: Policy RDD, RD design in policy evaluation, regression discontinuity policy analysis, RDD policy impact

Politika Değerlendirme Regresyon Kesintisi Tasarımı (Politika RDD), bir politikanın sonuçlar üzerindeki nedensel etkisini tahmin etmek için bir politika kuralındaki bilinen bir uygunluk eşiğini kullanır. Kesme noktasının hemen altındaki birimler, hemen üzerindeki birimler için güvenilir bir karşılaştırma grubu görevi görür ve bu da RDD'yi bir politikanın gerçekte neyi başardığını değerlendirmek için en şeffaf yarı-deneysel stratejilerden biri haline getirir.

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.

Politika Değerlendirme Regresyon Kesintisi Tasarımı
Farkların Farkı (Diff-in…Bulanık Regresyon Süreks…Nedensel Çıkarım için En…Politika Değerlendirmesi…Eğilim Skoru EşleştirmesiBulanık Kesintili Regres…

Ne zaman kullanılır

Bir politika, bilinen bir kesme noktasını geçen sürekli bir puana veya endekse dayalı olarak tedavi atadığında ve randomize edemediğinizde Politika RDD'yi kullanın. Tasarım, refah, eğitim, sağlık, vergi veya düzenleyici programlardaki uygunluk kurallarını değerlendirmek için idealdir — örneğin, fayda alımı için gelir eşikleri, okula kabul için test puanı kesme noktaları veya yaşa dayalı uygunluk kuralları. Bant genişliğine yakın yeterli sayıda gözlem esastır; kesme noktasına yakın seyrek örneklemler gürültülü tahminler verir. Kesme noktası keyfi veya bilinmediğinde, çalışma değişkeni az sayıda kütle noktasına sahip ayrık olduğunda, birimler eşiği geçmek için puanlarını hassas bir şekilde manipüle edebildiğinde veya marjinaldeki yerel etki politika ile ilgili miktar olmadığında RDD kullanmayın. RDD, tüm popülasyon genelinde ortalama bir etkiyi değil, marjinal birimler için yerel bir ortalama etkiyi tahmin eder.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Bilinen bir kurumsal kuralı kullanır, bu da tanımlama varsayımını — kesme noktasında potansiyel sonuçların sürekliliği — şeffaf ve doğrulanabilir kılar.
  • Rastgele atanmış bir kontrol grubu gerektirmez; karşılaştırma grubu politika tasarımından doğal olarak ortaya çıkar.
  • Çalışma değişkeni fonksiyonu aracılığıyla karıştırıcı faktörlerin esnek modellenmesine izin verir, bu da kesme noktasından uzakta kovaryat dengesizliğine karşı hassasiyeti azaltır.
  • Politika yapıcılar, dergiler ve değerlendirme kuruluşları tarafından güvenilir bir yarı-deneysel standart olarak geniş çapta kabul görmüştür.
  • Kolayca teşhis edilebilir: manipülasyon testleri, kovaryat dengesi ve plasebo kontrolleri, tasarımın sistematik doğrulanmasına olanak tanır.
Sınırlılıklar
  • Yalnızca uygunluk marjındaki birimler için yerel bir ortalama tedavi etkisi tanımlar; sonuçlar kesme noktasından uzaktaki birimlere genellenemeyebilir.
  • Bant genişliğine yakın yeterli gözlem yoğunluğu gerektirir — eşikteki seyrek veriler varyansı artırır ve daha geniş bant genişliklerini zorlar.
  • Birimler, sürekliliği geçersiz kılarak çalışma değişkenini kesme noktasının hemen üstüne (veya altına) sıralamak için hassas bir şekilde manipüle edebilirse tamamen başarısız olur.
  • Çalışma değişkeni için bant genişliği ve polinom derecesi seçimi, tahmin edilen etkiyi etkileyebilir ve dikkatli bir hassasiyet analizi gerektirir.
  • Yalnızca önceden belirlenmiş, sürekli bir uygunluk eşiğine sahip programlar için geçerlidir; net bir kuralı olmayan politikalar bu şekilde incelenemez.

SSS

Süreklilik varsayımı nedir ve nasıl kontrol ederim?

Süreklilik varsayımı, potansiyel sonuçların koşullu beklentisinin, kesme noktasındaki çalışma değişkeninin düzgün, sürekli bir fonksiyonu olduğunu belirtir — bu nedenle gözlemlenen herhangi bir sıçrama yalnızca politikadan kaynaklanır. Bunu (1) manipülasyonu dışlamak için bir McCrary yoğunluk testi yaparak ve (2) denge regresyonları kullanarak kesme noktasındaki önceden belirlenmiş kovaryatlardaki sıçramaları test ederek kontrol edin. Her iki test de bir süreksizlik gösterirse, tasarım geçersizdir.

Politika değerlendirmesinde keskin ve bulanık RDD arasındaki fark nedir?

Keskin bir RDD'de, eşiği geçmek tedavi durumunu mükemmel bir şekilde belirler: üstündeki herkes politikayı alır ve altındaki hiç kimse almaz. Bulanık bir RDD'de, eşik yalnızca politikayı alma olasılığını değiştirir — kesme noktasının altındaki bazıları tedavi edilir ve üstündeki bazıları tedavi edilmez (uyumsuzluk). Bulanık RDD, eşiği bir araç değişkeni olarak kullanır ve tüm marjinal birimler yerine uyumlu olanlar için yerel bir ortalama tedavi etkisi tahmin eder.

Bant genişliğini nasıl seçerim?

Yerel doğrusal RDD tahmincisinin asimptotik ortalama kare hatasını minimize eden Calonico, Cattaneo ve Titiunik (CCT) seçicisi gibi veri odaklı optimal bir bant genişliği seçici kullanın. Ana bulgunun tek bir seçimden kaynaklanmadığını doğrulamak için her zaman bir dizi bant genişliği boyunca hassasiyet kontrolleri bildirin.

Neden daha yüksek dereceli bir polinom yerine yerel doğrusal regresyon tercih edilir?

Tüm çalışma değişkeni aralığı boyunca uydurulan daha yüksek dereceli global polinomlar, sınırda ve sınıra yakın aşırı, düzensiz tahminler üretebilir — RDD literatüründe iyi belgelenmiş bir sorun. Dar bir bant genişliği içindeki yerel doğrusal regresyon, kesme noktasında daha iyi yanlılık özelliklerine sahiptir, model yanlış spesifikasyonuna karşı daha sağlamdır ve uygulamalı pratikte şu anda önerilen varsayılan yöntemdir.

Politika RDD, farkların farkı ile birleştirilebilir mi?

Evet. Farkların süreksizlikleri tasarımı, bir politika değişikliğinden önce ve sonra kesme noktasındaki sıçramayı karşılaştırarak RDD'yi DiD ile birleştirir. Bu, birden fazla kohortun farklı zamanlarda aynı eşikle karşılaştığı veya ilgilenilen politikaya sıçramayı atfetmeden önce kesme noktasındaki önceden var olan bir süreksizliğin çıkarılması gerektiği durumlarda kullanışlıdır.

Kaynaklar

  1. Lee, D. S., & Lemieux, T. (2010). Regression Discontinuity Designs in Economics. Journal of Economic Literature, 48(2), 281-355. DOI: 10.1257/jel.48.2.281 ↗
  2. 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). Regression Discontinuity Design for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-regression-discontinuity-design

İlişkili yöntemler

Farkların Farkı (Diff-in-Diff)Bulanık Regresyon Süreksizlik TasarımıNedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiPolitika Değerlendirmesi Farkların FarkıEğilim Skoru Eşleştirmesi

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
  • Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
  • Politika Değerlendirmesi Farkların FarkıNedensel çıkarım↔ karşılaştır
  • Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Bulanık Kesintili Regresyon Yöntemi ile Politika Değerlendirmesi

Benzer yöntemler

Regresyon Süreksizlik Tasarımı (RDD)Bulanık Kesintili Regresyon Yöntemi ile Politika DeğerlendirmesiRegresyon Kesintili Tasarımı (RDD)Panel Veri Regresyon Kesme TasarımıÇok Dönemli Regresyon Süreksizlik TasarımıEğitim Araştırmalarında Regresyon Süreksizlik TasarımıÇok Dönemli Bulanık Regresyon Kesintisi Tasarımı

İlgili referans kavramlar

Yarı Deneysel ve Doğal Deney TasarımıDoğal DeneyMikroekonomik Politika: Formülasyon, Uygulama ve DeğerlendirmeBölgesel Yönetim AnaliziPolitika AnaliziSosyal Politika

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

ScholarGate — Policy Evaluation Regression Discontinuity Design (Regression Discontinuity Design for Policy Evaluation). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/causal-inference/policy-evaluation-regression-discontinuity-design · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Thistlethwaite & Campbell (1960); popularized in policy evaluation by Lee & Lemieux (2010)
Year
1960; policy evaluation applications widespread from 2000s
Type
Quasi-experimental causal design
DataType
Observational data with a continuous assignment variable and a known policy threshold
Subfamily
Quasi-experimental / causal inference
İlişkili yöntemler
Farkların Farkı (Diff-in-Diff)Bulanık Regresyon Süreksizlik TasarımıNedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiPolitika Değerlendirmesi Farkların FarkıEğilim Skoru Eşleştirmesi
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