Regression Kink Design (RKD)
Generalized Regression Kink Design (RKD) · Ayrıca şöyle bilinir: RKD, regression kink design, kink regression discontinuity, Regresyon Kırılma Tasarımı (RKD — Regression Kink Design)
Regression Kink Design (RKD), bir politika kuralının belirli bir eşik değerinde bir adım (sıçrama) yerine eğimde bir değişiklik (bir bükülme) yarattığı durumlarda nedensel bir etkiyi tahmin etmek için kullanılan yarı-deneysel bir yöntemdir. Bu yöntem, Card, Lee, Pei ve Weber (2015) tarafından genelleştirilmiş bir tasarım olarak formüle edilmiş olup, regresyon süreksizlik tasarımının eğim tabanlı karşılığıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir politikanın bilinen bir eşik değerinde eğimi değişen sürekli bir formül aracılığıyla muamele atadığı durumlarda RKD'yi kullanın — örneğin bir vergi oranı, bir sübvansiyon miktarı veya bir üst sınır veya bükülme içeren bir sosyal yardım formülü. Sürekli bir sonuç, bilinen bir bükülme noktası ve eşik etrafında yoğunlaşmış makul derecede büyük bir örneklem (en az yaklaşık 200 gözlem) gerektirir. Temel varsayımlar, politikanın kesme noktasında bir seviye atlaması yerine gerçek bir eğim değişikliği yaratması ve sürekli değişkenin yoğunluğunun orada düzgün olmasıdır (manipülasyon veya yığılma olmaması).
Güçlü yönler & sınırlılıklar
- Düzey süreksizliğinin (ve dolayısıyla standart bir RDD'nin) bulunmadığı bükülmüş politika kurallarından nedensel etkileri belirler.
- Veride zaten mevcut olan kurumsal bir özelliği kullanır, bu nedenle deneysel bir atama gerekmez.
- Sağlam bir çıkarım çerçevesine sahiptir (Card, Lee, Pei & Weber, 2015) ve yerel polinomlar ve CCT bant genişliği seçimi gibi tanıdık RDD araçlarını yeniden kullanır.
- Eğim değişiklikleri, seviye sıçramalarından daha zayıf sinyallerdir, bu nedenle tahminler, örneklem büyük olmadıkça (eşik yakınında yaklaşık 200 gözlemden az) geniş güven aralıklarına sahip olur.
- Seviyeler yerine türevleri tahmin etmeye dayandığı için bant genişliği ve polinom derecesi seçimlerine oldukça duyarlıdır.
- Sürekli değişkenin eşik etrafında manipüle edilmesi durumunda başarısız olur, bu da temiz bir bükülme yerine sahte bir süreksizlik üretebilir.
SSS
RKD, regresyon süreksizlik tasarımından nasıl farklıdır?
RDD, bir kesme noktasında sonucun seviyesinde bir sıçrama ararken, RKD sonucun eğiminde bir değişiklik arar. Politikanın kendisi eşikte sıçradığında RDD'yi ve politikanın değişim oranının orada büküldüğünde RKD'yi kullanın.
Ne kadar büyük bir örneğe ihtiyacım var?
Eğim değişiklikleri, seviye sıçramalarından daha inceliklidir, bu nedenle RKD, eşik yakınında yoğunlaşmış önemli miktarda veri gerektirir — kabaca 200 veya daha fazla gözlem. Daha azıyla, türev tahminleri kararsız hale gelir ve güven aralıkları güvenilmeyecek kadar genişler; regresyon süreksizlik tasarımı daha uygun olabilir.
Sürekli değişkenin yoğunluğu neden önemlidir?
İnsanlar eşiğe göre düştükleri yeri manipüle edebilirse, sürekli değişken orada yığılır ve düzgünlük varsayımı başarısız olur. Bu, bir bükülmeyi veya hatta bir süreksizliği taklit edebilir, bu nedenle bir manipülasyon (yoğunluk) testi temel bir sağlamlık kontrolüdür.
Etki aslında nasıl tahmin edilir?
RKD, sonucun tek taraflı eğimlerini kurtarmak için eşiğin her iki tarafında yerel polinom regresyonları uydurur, ardından sonucun eğimindeki değişimi politikanın eğimindeki değişime böler. Bant genişliği genellikle modern RDD uygulamasındaki gibi CCT tarzı optimal bir kural kullanılarak seçilir.
Kaynaklar
- Card, D., Lee, D. S., Pei, Z. & Weber, A. (2015). Inference on Causal Effects in a Generalized Regression Kink Design. Econometrica, 83(6), 2453-2483. DOI: 10.3982/ECTA11224 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Generalized Regression Kink Design (RKD). ScholarGate. https://scholargate.app/tr/causal-inference/regression-kink-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
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Regresyon Kesintili Tasarımı (RDD)Nedensel çıkarım↔ karşılaştır