断点回归RDD结果解读一、方法概述断点回归设计Regression Discontinuity Design, RDD是一种用于因果推断的准实验方法由Thistlethwaite和Campbell于1960年首次提出。该方法的核心思想是当个体是否接受某种处理干预取决于某一连续变量驱动变量是否超过特定阈值断点时在断点附近可以近似视为随机分配从而识别处理效应。RDD方法在经济学、教育学、政治学等领域得到广泛应用被认为是最接近随机实验的准实验设计之一。本研究使用SPSSAU软件进行断点回归分析。在SPSSAU【计量经济研究】模块选择【RDD断点】将变量拖拽至右侧对应分析框操作如下图二、变量与参数设置本研究中结果变量为考试成绩处理变量驱动变量为学习投入控制变量为先前成绩未设置模糊Fuzzy项即采用精确断点回归Sharp RD设计。模型参数设置方面断点值为-0.017带宽值为0.603基于最小化MSE自动计算核函数选用triangular三角核多项式阶数为1阶局部线性拟合未进行稳健性检验。三、样本分布情况表3展示了断点两侧的样本分布情况。断点值为-0.017断点左侧样本量为251个右侧样本量为249个分析样本总量为500个。断点两侧样本量较为均衡左侧和右侧分别占总样本的50.2%和49.8%有利于保证断点附近估计的精度。所有500个样本均有效无缺失数据。四、断点回归结果分析表4报告了RDD断点回归的核心结果包括三种估计方法Conventional传统方法、Bias-Corrected偏差校正方法和Robust稳健方法。三种方法的结果相互印证可以增强结论的可靠性。从Conventional方法的结果来看断点处的处理效应系数为0.622标准误为2.372z值为0.262p值为0.7930.0595%置信区间为[-4.027, 5.271]包含0表明断点处的处理效应在统计上不显著。Bias-Corrected方法得到的系数为1.109z0.468p0.640Robust方法的系数同样为1.109z0.390p0.697两种方法的结果均不显著与Conventional方法结论一致。综合三种估计方法断点处学习投入对考试成绩的处理效应均未达到统计显著水平p值分别为0.793、0.640和0.697表明在断点值-0.017处学习投入的变化并未对考试成绩产生显著的处理效应。三种方法结论一致增强了该结论的稳健性。五、拟合图分析图1至图3分别展示了不同拟合方式下的RDD拟合图可以直观观察断点处数据走势和变量关系。图1 RDD断点拟合图线性拟合图2 RDD断点拟合图二次型拟合图3 RDD断点拟合图三次型拟合从拟合图可以观察到断点处-0.017两侧的数据走势较为平滑未出现明显的跳跃现象。线性拟合图图1显示断点两侧回归线基本连续二次型和三次型拟合图图2、图3也未显示出断点处存在结构性突变。此外断点附近数据分布较为均匀不存在明显的数据堆积现象说明数据满足RDD方法的基本假定即个体无法精确操控驱动变量使其恰好跨越断点。六、样本情况本研究中有效样本为500个排除无效样本0个所有样本均完整无缺失样本利用率为100%。七、结论本研究采用精确断点回归Sharp RDD设计以学习投入为驱动变量、考试成绩为结果变量在断点值-0.017处评估学习投入对考试成绩的因果效应。模型采用triangular核函数和1阶局部线性拟合带宽为0.603。结果显示三种估计方法Conventional、Bias-Corrected和Robust的断点处理效应系数分别为0.622、1.109和1.109p值分别为0.793、0.640和0.697均未达到统计显著水平。拟合图显示断点处数据走势平滑无明显跳跃或堆积现象。综上学习投入在断点处对考试成绩未产生显著的因果效应。