Байєсівський дизайн регресійної розривності
Байєсівський дизайн регресійної розривності (Bayesian RDD) вбудовує класичну структуру RD — яка оцінює локальний причинно-наслідковий ефект при відомому порозі призначення — у байєсівський механізм висновку. Апріорні розподіли встановлюються для регресійних функцій по обидва боки від порогу та для параметра ефекту лікування, що дає повний апостеріорний розподіл причинно-наслідкової оцінки, а не єдину точкову оцінку з частотною p-величиною.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Karabatsos, G., & Walker, S. G. (2004). Coherent inference in regression discontinuity designs with a Bayesian nonparametric approach. Journal of the American Statistical Association, 99(468), 1121-1131. link ↗
- Chib, S., & Jacobi, L. (2016). Bayesian fuzzy regression discontinuity analysis and returns to compulsory schooling. Journal of Applied Econometrics, 31(6), 1026-1047. DOI: 10.1002/jae.2481 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Regression Discontinuity Design. ScholarGate. https://scholargate.app/uk/causal-inference/bayesian-regression-discontinuity-design
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Байєсівський метод різниць на різниціПричинно-наслідковий висновок↔ порівняти
- Нечіткий регресійний розрив (Fuzzy Regression Discontinuity Design)Причинно-наслідковий висновок↔ порівняти
- Метод інструментальних змінних (ІЗ) для причинно-наслідкового висновкуЕкономіка охорони здоров'я↔ порівняти
- Локальний середній ефект лікування (LATE / CACE)Причинно-наслідковий висновок↔ порівняти
- Зіставлення за показником схильностіСтатистика досліджень↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →