Eğitim Araştırmalarında Regresyon Süreksizlik Tasarımı
Regression Discontinuity Design in Education Research · Ayrıca şöyle bilinir: RDD in education, education RD design, sharp RDD education, score-cutoff design
Eğitim araştırmalarında regresyon süreksizlik tasarımı (RDD), bir programın, müdahalenin veya politikanın öğrenci veya okul çıktıları üzerindeki nedensel etkisini tahmin etmek için bir teste dayalı uygunluk kesme noktası — örneğin bir sınav puanı eşiği, not ortalaması gereksiliği veya yaş kesme noktası — kullanır. Kesme noktasının hemen altındaki ve hemen üstündeki birimler rastgele atanmış gibi kabul edilir, bu da randomize bir deneme olmadan güvenilir nedensel çıkarım yapmayı sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Program, kaynak veya politikaya atama, bir öğrenci, okul veya bölgenin ölçülebilir bir çalışan değişken üzerinde bilinen bir eşiği geçip geçmediğine göre belirlendiğinde RDD'yi eğitim araştırmalarında kullanın. Yaygın örnekler şunları içerir: test puanlarına dayalı telafi edici programlara uygunluk; kayıt eşiklerinin tetiklediği sınıf mevcudu değişiklikleri (Maimonides kuralı); performans puanlarının tetiklediği okul hesap verebilirlik müdahaleleri. Yöntem, yerel bir nedensel etki üretir — yalnızca eşik yakınında geçerlidir, bu nedenle nüfus ortalaması etkilerine ihtiyaç duyduğunuzda, çalışan değişkenin ajanlar tarafından manipüle edildiği durumlarda veya doğal bir eşiğin bulunmadığı durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Randomizasyon olmadan gözlemsel veya idari verilerden güvenilir yerel nedensel belirleme sağlar, doğal olarak oluşan kesme noktalarından yararlanır.
- Atama mekanizması şeffaftır ve genellikle idari kayıtlardan doğrulanabilir, bu da tasarımı politika yapıcılarına iletmeyi kolaylaştırır.
- Çalışan değişken boyunca düzgün bir şekilde değişen gözlemlenmeyen karıştırıcı faktörlere karşı sağlamdır, çünkü bunlar kesme noktası civarında yerel olarak dengelenir.
- Puan eşiklerinin, yaş kesme noktalarının ve kayıt sınırlarının rutin olduğu eğitim ortamlarında yaygın olarak uygulanabilir.
- Plasebo ve yoğunluk testleri, belirleme varsayımlarının resmi kontrollerini sağlar, bulguların güvenilirliğini artırır.
- Tahminler yereldir — yalnızca eşik yakınındaki birimlere uygulanır ve ilgili daha geniş nüfusa genellenmeyebilir.
- Eşik yakınında yeterli sayıda gözlem gerektirir; eşik civarındaki seyrek veri, geniş güven aralıklarına yol açar.
- Ajanlar eşiği geçmek için çalışan değişkeni manipüle ederse (örneğin, öğretmenlerin öğrencileri bir eşiğin üzerine çıkarmak için test puanlarını şişirmesi) geçerlilik çöker.
- Keskin RDD, uyumsuzluğun olduğu durumlarda, LATE'den ziyade bir niyet-tedavi etkisi üreten bulanık RDD çerçevesine geçilmeden, kesme noktası tabanlı atama kuralına uyumsuzluğun olduğu durumlarda uygulanamaz.
SSS
RDD'yi özellikle eğitim araştırmaları için uygun kılan nedir?
Eğitim sistemleri, programları ve kaynakları tahsis etmek için rutin olarak puana dayalı eşikler — sınav kesme noktaları, not ortalaması gereksinimleri, kayıt sınırları, performans hedefleri — kullanır. Bu idari kesme noktaları, eşik civarındaki öğrenciler veya okullar için neredeyse rastgele atama oluşturarak resmi bir deney olmadan nedensel çıkarım yapmayı sağlar.
Bant genişliğini nasıl seçerim?
Calonico, Cattaneo ve Titiunik (2014) tarafından sunulan MSE-optimal veya CER-optimal bant genişliği gibi veri güdümlü bir optimal bant genişliği seçici kullanın; bu, R veya Stata'daki rdrobust gibi yazılım paketlerinde uygulanır. Sağlamlığı göstermek için her zaman en az iki veya üç alternatif bant genişliği için tahminleri raporlayın.
Eğitimde keskin ve bulanık RDD arasındaki fark nedir?
Keskin bir RDD'de, kesme noktasının üzerindeki her birim tedavi alır ve altındaki her birim almaz. Bulanık bir RDD'de, eşiği geçmek yalnızca tedavi olasılığını artırır — örneğin, bazı öğrencilerin reddettiği bir ders teklifini tetikleyen bir test puanı eşiği. Bulanık RDD, kesme noktasını fiili alım için bir araç olarak kullanarak yerel bir ortalama tedavi etkisi (LATE) tahmin eder.
Çalışan değişkenin manipüle edilip edilmediğini nasıl test ederim?
Çalışan değişkenin yoğunluğunda kesme noktasında süreksiz bir sıçrama olup olmadığını kontrol eden McCrary (2008) yoğunluk testini uygulayın. Önemli bir sıçrama, ajanların eşik etrafında sıralandığını gösterir ve bu da tasarımı geçersiz kılar. Çalışan değişkenin histogramının kesme noktası civarındaki görsel incelemesi de bilgilendiricidir.
RDD'yi farklar-içinde-farklar ile birleştirebilir miyim?
Evet. Farklar-içinde-süreksizlikler tasarımı, RDD'ye bir ön-son boyutu ekler: müdahaleden sonraki kesme noktasındaki sıçramayı önceden karşılaştırır, önceden var olan herhangi bir süreksizliği kontrol eder. Bu, eğitimde bir kesme noktasının bir politika değişikliğinden önce ve sonra var olduğu durumlarda kullanışlıdır.
Kaynaklar
- 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 ↗
- Thistlethwaite, D. L., & Campbell, D. T. (1960). Regression-discontinuity analysis: An alternative to the ex post facto experiment. Journal of Educational Psychology, 51(6), 309-317. DOI: 10.1037/h0044319 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Regression Discontinuity Design in Education Research. ScholarGate. https://scholargate.app/tr/causal-inference/regression-discontinuity-design-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
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır