Regresyon Süreksizlik Tasarımı (RDD)
Regression Discontinuity Design (RDD) · Ayrıca şöyle bilinir: RDD, regression discontinuity, sharp regression discontinuity, Regresyon Süreksizliği Tasarımı (RDD)
Regresyon Süreksizlik Tasarımı (RDD), bir eşik (kesme) değeri etrafındaki yerel nedensel etkiyi tahmin eden yarı deneysel bir yöntemdir. Bu yöntem, kesme noktasının hemen altında ve hemen üstündeki birimleri neredeyse rastgele atanmış gibi karşılaştırır. Imbens ve Lemieux (2008) ile Lee ve Lemieux (2010) tarafından uygulamalı pratik için geliştirilen bir tasarımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
RDD'yi, tedaviye atamanın sürekli bir koşu değişkeni üzerinde gerçek, manipüle edilemez bir eşik tarafından yönetildiği ve bu kesme noktası etrafında yeterli gözleminiz olduğunda (genellikle eşiğe yakın yeterli yoğunlukla en az yaklaşık 100) kullanın. Sürekli veya ikili çıktılarla kesitsel ve panel verilere uyar. Tasarım, yalnızca birimlerin kesme noktasının hangi tarafına düştüklerini tam olarak kontrol edemediği, gözlemlenmeyen özelliklerin kesme noktası boyunca sorunsuz bir şekilde geliştiği ve bant genişliğinin elle değil, prensipli bir kurala göre seçildiği durumlarda güvenilirdir.
Güçlü yönler & sınırlılıklar
- Doğal, kural tabanlı bir kesme noktasını kullanarak gözlemsel verilerden güvenilir bir nedensel etki sağlar, çoğu eşleştirme tasarımından daha zayıf varsayımlarla.
- Eşiğin hemen iki tarafındaki birimleri karşılaştırmak, yerel olarak rastgele atamayı taklit eder, bu nedenle yerel etki şeffaf ve savunması kolaydır.
- Süreksizlik görsel olarak incelenebilir, bu da tanımlayıcı varsayımı iletişim kurmayı alışılmadık derecede sezgisel hale getirir.
- Yalnızca kesme noktasındaki yerel bir etkiyi tahmin eder; eşikten uzaktaki birimlere genellenmez.
- Kesme noktası etrafında yoğun bir şekilde kümelenmiş yeterli gözlem gerektirir, bu nedenle tahmin için etkili örneklem, büyük bir veri setinde bile küçük olabilir.
- Bireyler koşu değişkenini kesme noktasını geçmek için manipüle edebilirse, tasarım bozulur ve etki yanlı olur.
- Sonuçlar seçilen bant genişliğine ve yerel polinomun derecesine duyarlıdır.
SSS
RDD'deki koşu değişkeni nedir?
Bu, bir test puanı, gelir veya yaş gibi tedavi atamasını belirleyen sürekli değişkendir. Bu değişken kesme noktasını geçtiği anda tedavi devreye girer ve tasarım, bu noktanın hemen altındaki ve hemen üstündeki çıktıları karşılaştırır.
Neden McCrary yoğunluk testine ihtiyacım var?
RDD, bireylerin koşu değişkenini kesme noktasının uygun tarafına düşmek için tam olarak manipüle edemeyeceğini varsayar. McCrary testi, eşiğin hemen üstünde veya altında kümelenmeyi kontrol eder; yoğunluktaki keskin bir sıçrama manipülasyonu işaret eder ve tasarımın geçerliliğini tehdit eder.
Bant genişliği nasıl seçilir?
Bant genişliği, tahmin için kesme noktası etrafında ne kadar geniş bir pencere kullanılacağını belirler. Tahmin bu seçime duyarlı olduğu için, elle değil, IK veya CCT yöntemi gibi veri odaklı bir kural ile seçilmelidir.
RDD herkes için bir etki verir mi?
Hayır. RDD, eşiğe yakın birimler için kesme noktasında yerel bir etki tanımlar. Tedavinin kesme noktasından uzaktaki birimler için ne yapacağını söylemez, bu nedenle tahmin tüm popülasyona genellenmemelidir.
Kaynaklar
- 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 ↗
- Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2020). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press. DOI: 10.1017/9781108684606 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Regression Discontinuity Design (RDD). ScholarGate. https://scholargate.app/tr/econometrics/rdd
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
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır