Mekansal Bulanık Regresyon Süreksizlik Tasarımı
Spatial Fuzzy Regression Discontinuity Design · Ayrıca şöyle bilinir: Spatial Fuzzy RD, Geographic Fuzzy RDD, Spatial Fuzzy RDD, Geo-Fuzzy RD
Mekansal Bulanık Regresyon Süreksizlik Tasarımı (Mekansal Bulanık RDD), coğrafi bir sınırın tedavi uygunluğunu belirlediği ancak sınırın her iki tarafındaki bazı birimlerin atanan duruma uymadığı durumlarda yerel ortalama tedavi etkisini tahmin eder. Coğrafi RDD'nin mekansal çalışma değişkeni mantığını, bulanık RDD'de kullanılan kusurlu uyum için enstrümantal değişken düzeltmesiyle birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mekansal Bulanık RDD'yi şu durumlarda kullanın: (1) tedavi ataması coğrafi bir sınır veya idari çizgi tarafından belirlenir, (2) bu atamaya uyum kusurludur - bazı birimler geçer veya vazgeçer - ve (3) sınıra olan mesafenin sürekli bir ölçüsünü oluşturabilirsiniz. Tasarım, rastgeleleştirmenin uygulanamadığı ve sınırın çıktılarla başka türlü ilgisi olmadığı (dışlama kısıtlaması) gözlemsel, coğrafi kodlanmış veriler için uygundur. Sınırın kendisi önceden var olan çıktı farklılıklarına yanıt olarak çizilmişse, sınırlar arasında mekansal yayılmalar büyük ve kontrolsüzse, sınırda uyum çok zayıfsa (birinci aşama F < 10) veya sınır çok düzensizse temiz bir çalışma değişkeni tanımlamak zorsa uygun değildir.
Güçlü yönler & sınırlılıklar
- Gözlemsel coğrafi kodlanmış verilerden, doğal bir coğrafi süreksizlikten yararlanarak güvenilir bir nedensel tahmin sağlar.
- Keskin RDD'nin tam uyumu varsaydığının aksine, iki aşamalı bir IV düzeltmesi yoluyla kusurlu uyumu hesaba katar.
- Coğrafi çalışma değişkeni tipik olarak şeffaf ve doğrulanabilir olduğundan, tasarımı iletmeyi ve denetlemeyi kolaylaştırır.
- Yerel kapsam: tahminler, genellikle tam olarak politika ile ilgili nüfus olan sınırın yakınındaki uyum sağlayanlar içindir.
- Mekansal plasebo ve permütasyon testleri, mekansal olmayan tasarımlara kıyasla olağanüstü zengin yanlışlama fırsatları sunar.
- Dışlama kısıtlaması - sınır geçmenin çıktıları yalnızca tedavi yoluyla etkilediği - ilişkili politikalar, altyapı veya sınır boyunca sıralama tarafından ihlal edilebilir.
- Tahminler, kesme noktasının yakınındaki uyum sağlayanlara yereldir ve sınırın uzağındaki birimlere veya uyum sağlamayanlara genellenmeyebilir.
- Kesme noktasının yakınındaki ince veri ve düzensiz coğrafi şekiller, bant genişliği seçimini ve çıkarımı standart RDD'den daha karmaşık hale getirir.
- Coğrafi yayılmalar (gidip gelme, hareketlilik, tedavi yayılımı) sınırda sıçramayı seyreltir ve tahmini zayıflatır.
- Sınırda keskin bir sıçrama yerine düzgün bir şekilde değişen uyum olduğunda yaygın olan zayıf birinci aşamalar, IV tahmincisini geçersiz kılar.
SSS
Bu 'bulanık' değil de 'keskin' yapan nedir?
Keskin bir RDD'de, kesme noktasının üzerindeki her birim tedavi edilir ve altındaki her birim tedavi edilmez. Bulanık bir tasarımda, tedavi olasılığı kesme noktasında sıçrar ancak 0'dan 1'e gitmez - tedavi edilen taraftaki bazı birimler uymaz ve kontrol tarafındaki bazıları yine de tedavi alır. Bulanık tahminci, bu kusurlu uyumu düzeltmek için sınırı bir araç olarak kullanır.
Mekansal çalışma değişkenini nasıl tanımlarım?
Her birimin coğrafi konumundan (adres, merkez veya GPS koordinatı) sınıra olan dik mesafeyi hesaplayın. Pozitif değerler nominal olarak tedavi edilen tarafı, negatif değerler kontrol tarafını belirtir. Düzensiz sınırlar için bu, koordinatları yansıtmak ve mesafeleri doğru bir şekilde ölçmek için CBS araçları gerektirebilir.
Ne kadar bant genişliği kullanmalıyım?
Calonico, Cattaneo ve Titiunik (2014) tarafından önerilen MSE-optimal bant genişliği - R ve Stata'daki rdrobust paketinde uygulanan - standart seçimdir. Mekansal tasarımlarda, anlamlı bir fiziksel bölgeye karşılık geldiğinden ve içindeki gözlemlerin ciddi şekilde dengesiz olmadığından emin olmak için bant genişliğini coğrafi olarak inceleyin.
Mekansal yayılmalarla nasıl başa çıkarım?
Sınırın her iki tarafında bir tampon bölge tanımlayın ve analizden bu bölgedeki gözlemleri çıkarın (kesme noktasının etrafında bir 'donut'). Bu, diğer taraftan tedavi yayılımı alma olasılığı en yüksek olan birimleri eler, ancak kesme noktasının yakınındaki örneklemi azaltma maliyetiyle.
Ne zaman mekansal bulanık RDD'yi mekansal keskin RDD'ye tercih etmeliyim?
Birinci aşama uyum kusurlu olduğunda - tedavi olasılığı sınırda 0'dan 1'e sıçramadığında - bulanık kullanın. Tüm birimler bulundukları tarafa mükemmel uyum sağlarsa, keskin RDD yeterli ve daha verimlidir. Resmi bir test, sınırda tedavi alımındaki süreksizliği çizmek ve test etmektir.
Kaynaklar
- Keele, L., & Titiunik, R. (2015). Geographic Boundaries as Regression Discontinuities. Political Analysis, 23(1), 127-155. DOI: 10.1093/pan/mpu014 ↗
- Imbens, G., & 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). Spatial Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-fuzzy-regression-discontinuity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Coğrafi Regresyon KesintisiEkonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Mekansal Enstrümantal Değişkenler (Mekansal IV / Mekansal 2YLS)Nedensel çıkarım↔ karşılaştır
- Mekansal Regresyon Kesinti Tasarımı (Mekansal RDD)Nedensel çıkarım↔ karşılaştır