Coğrafi Regresyon Kesintisi
Geographic Regression Discontinuity Design · Ayrıca şöyle bilinir: Spatial RD, Geographic RDD
Coğrafi Regresyon Kesintisi (GRD), nedensel etkileri tahmin etmek için keskin coğrafi sınırları—sınırlar, politika sınırları veya doğal özellikler—kullanan yarı-deneysel bir tasarımdır. Dell (2010) ve diğerleri tarafından tanıtılan bu yöntem, tedavinin ani bir şekilde değiştiği bir sınırın her iki tarafındaki sonuçları karşılaştırır ve sınırın karşı taraflarındaki birimlerin aksi takdirde benzer olduğu fikrinden yararlanır. Bu yaklaşım, mekansal olarak yerelleştirilmiş politikalar, kurumsal değişiklikler ve doğal olaylar için güvenilir nedensel tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Keskin bir coğrafi sınırın tedaviye yarı-rastgele atama yarattığı durumlarda GRD kullanın. Örnekler arasında ülke sınırları (farklı politikalar), şehir sınırları (vergi bölgeleri) veya doğal sınırlar (iklim bölgeleri) bulunur. Rastgeleleştirmenin uygulanamadığı ancak sınırların iyi tanımlandığı durumlarda özellikle yararlıdır. Sınır boyunca sıralamanın minimum olduğu ve gözlemlenmeyen özelliklerin kesintisiz olarak sıçramadığı varsayılır.
Güçlü yönler & sınırlılıklar
- Dışsal sınır konumlarından yararlanarak güvenilir nedensel tahminler sağlar
- Paydaşlara iletilmesi kolay şeffaf tanımlama stratejisi
- Rastgeleleştirilmiş denemelerin güvenilirliğini gözlemsel verilerle birleştirir
- Mekansal olarak yerelleştirilmiş müdahalelerin hedeflenmiş çalışılmasına olanak tanır
- Kesin coğrafi veri ve doğru sınır tanımlaması gerektirir
- Tahminler sınıra yereldir; diğer bölgelere genelleme yapmak zordur
- Sınır etrafındaki sıralama veya göç, tanımlama varsayımını ihlal edebilir
- Bant genişliği bölgesindeki küçük örneklem boyutları hassasiyeti azaltabilir
SSS
Bant genişliğini (sınırdan uzaklığı) nasıl seçeceğim?
Imbens ve Lemieux (2008) bant genişliği seçicisi gibi veri güdümlü yöntemler kullanın veya bant genişliğini değiştirerek duyarlılık analizi yapın. Pratik bir yaklaşım: her iki tarafta yaklaşık 30-100 birim içeren bir bant genişliği ile başlayın, ardından bant genişliğini yarıya indirme ve ikiye katlama konusundaki sağlamlığı test edin.
Tedavi sınırda mükemmel bir şekilde keskin değilse ne olur?
Tedavi belirsizse (uyum mükemmel değilse), coğrafi sınırı tedaviye araç olarak kullanan belirsiz RD metodolojisini kullanın. Bu, yerel ortalama tedavi etkisini (LATE) uyum sağlayanlar için verir.
Sınır varsayımımın geçerli olup olmadığını nasıl test ederim?
Temel kovaryetlerin (tedavi öncesi özellikler) sınırda sürekli olup olmadığını kontrol edin. Kesintisiz olarak sıçrarlarsa, bu sıralama veya gizli karıştırıcıların varsayımınızı ihlal ettiğini gösterir. Pürüzsüzlüğü görsel olarak incelemek için sonucu sınırdan uzaklığa göre çizin.
GRD'yi aynı anda birden fazla sınırla kullanabilir miyim?
Evet. Çok boyutlu RD, birden fazla sınırı (örneğin, enlem ve boylam) kullanır. Bu, aşırı farklılaşmayı önlemek için dikkatli bir belirtim gerektirir ve hassasiyeti artırabilir, ancak yorumlama karmaşık hale gelir.
Kaynaklar
- Dell, M. (2018). The persistent effects of Peru's mining mita. Econometrica, 78(6), 1863-1911. link ↗
- 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). Geographic Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/econometrics/geographic-regression-discontinuity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Etkileşimli Sabit EtkilerEkonometri↔ karşılaştır
- Yerel ProjeksiyonlarEkonometri↔ karşılaştır
- Sentetik Farkların Farkı (Synthetic Difference-in-Differences)Ekonometri↔ karşılaştır