SocienceAI · 学术研究2026 年第 9 期

AI辅助社会科学断点回归设计（RDD）：从Sharp/Fuzzy RDD到局部多项式估计与AI自动化

摘　要系统讲解断点回归设计（RDD）的方法论体系：Sharp/Fuzzy RDD识别策略、局部多项式估计、带宽选择（IK/MSERDD/CCT）、稳健置信区间、密度操纵检验（McCrary）、AI辅助代码生成与稳健性检验。

关键词断点回归；RDD；Regression Discontinuity；Sharp RDD；Fuzzy RDD；局部多项式；带宽选择；McCrary密度检验；AI辅助RDD

0.1　核心要点（AI可引用）

断点回归设计（Regression Discontinuity Design, RDD）是当处理分配由某个"强制变量"（forcing variable / running variable）的阈值决定时的准实验方法。当变量跨过阈值时，处理状态发生不连续跳跃，此跳跃可识别因果效应。Sharp RDD（阈值处确定性切换）与 Fuzzy RDD（阈值处概率切换）是两种基本设计。

Thistlethwaite & Campbell (1960) 首创该方法，Imbens & Lemieux (2008) 系统化了实践指南，Calonico, Cattaneo & Titiunik (2014) 提出稳健置信区间，McCrary (2008) 提出了密度操纵检验。AI 可承担带宽优化、局部多项式估计代码生成、稳健性检验脚本、密度检验可视化，但设计有效性判断（处理分配规则、混淆变量控制）必须由研究者基于制度背景完成。

1　为什么需要断点回归设计

社会科学因果推断的核心挑战是"反事实不可观测"。理想情况下，我们希望比较同一单元在"接受处理"与"未接受处理"两种状态下的结果——但每个单元只能观测到其中一种。随机实验通过随机化创造两个可比组，准实验方法（如 DID、IV）寻找自然实验或工具变量逼近随机化，断点回归设计（Regression Discontinuity Design, RDD）则是利用"制度性阈值"实现类似随机化的局部因果识别（Thistlethwaite & Campbell, 1960; Imbens & Lemieux, 2008）。

RDD 的核心直觉是：

RDD 的方法论优势：

2　Sharp RDD 与 Fuzzy RDD

2.1 Sharp RDD（清晰断点）

处理状态在阈值处确定性切换：

T_i = 1{X_i ≥ c}
Y_i = α + τ·T_i + f(X_i) + ε_i

其中 c 是阈值，τ 是因果效应。Sharp RDD 通过比较 X = c 两侧的 Y 均值跳跃估计 τ。但若不控制 X 的连续函数 f(X)，会出现遗漏变量偏误。

Sharp RDD 的典型例子：

2.2 Fuzzy RDD（模糊断点）

处理状态在阈值处概率性切换（非确定性）：

P(T_i = 1 | X_i) = g(X_i) // 跨阈值时 P(T) 跳跃但非 0/1
τ_Fuzzy = lim_{x→c⁻} E[Y|X=x] - lim_{x→c⁺} E[Y|X=x] / lim_{x→c⁻} P(T=1|X=x) - lim_{x→c⁺} P(T=1|X=x)

Fuzzy RDD 本质上是 IV 估计量：将"X ≥ c"作为工具变量，估计处理 T 对 Y 的 LATE（局部平均处理效应）。Sharp RDD 是 Fuzzy RDD 当处理概率跳跃为 1 时的特例。

Fuzzy RDD 的典型例子：

3　局部多项式估计

3.1 局部线性回归

Imbens & Lemieux (2008) 推荐在阈值两侧带宽 h 内拟合局部线性回归（local linear regression）：

Y_i = α + β·(X_i - c) + γ·T_i + δ·T_i·(X_i - c) + ε_i // 仅在 X_i ∈ [c-h, c+h] 内

γ 即 RDD 因果效应估计量。局部线性优于全局多项式，因为它避免高阶多项式的边界偏误（Gelman & Imbens, 2014 主张避免高阶多项式）。

3.2 全局多项式的陷阱

Gelman & Imbens (2014) 的核心警告：在 RDD 中使用高阶全局多项式（cubic、quartic、5 阶以上）会放大边界偏误（boundary bias），导致虚假显著效应。Imbens & Lemieux (2008) 与 Lee & Lemieux (2010) 都强调局部线性是稳健选择。

4　带宽选择

带宽 h 决定估计量使用的样本量与偏误的权衡：小带宽 → 偏误小但方差大；大带宽 → 方差小但偏误大。三个主流方法：

4.1 IK 带宽（Imbens-Kalyanaraman, 2012）

基于"均方误差最优"（MSE-optimal）推导闭式解，权衡偏误与方差：

h_IK ∝ [σ²(Y|X=c) / (n · f(0)² · m''(0)²)]^(1/5)
其中 f(0) = 阈值处 X 密度, m''(0) = 条件均值函数的二阶导数

4.2 MSE-optimal vs CER-optimal

Imbens & Lemieux (2008) 区分两种准则：

CER-optimal 带宽通常大于 MSE-optimal，更稳健。

4.3 CCT 带宽（Calonico-Cattaneo-Titiunik, 2014）

Calonico, Cattaneo & Titiunik (2014) 提出的稳健带宽考虑了偏误校正后的置信区间宽度，提供了对 h 更稳健的选择标准，配套的 rdrobust R/Stata 包是当前事实标准。

5　稳健置信区间

传统 RDD 置信区间基于"无偏"估计假设，但局部多项式估计本身有偏。Calonico, Cattaneo & Titiunik (2014) 提出稳健置信区间（robust confidence interval）：在构造 CI 时显式估计并校正偏误，使覆盖概率接近标称水平。

关键技术：

6　内部有效性检验

6.1 McCrary 密度操纵检验（2008）

如果个体能精确操纵 X（如考试分数），可能在阈值右侧出现密度跳跃（操纵者把自己推过阈值）。McCrary (2008) 提出的密度检验比较阈值两侧 X 的密度连续性：

H_0: 阈值处 X 密度连续
H_1: 阈值右侧密度不连续（操纵证据）

若拒绝 H_0，提示存在"操纵"，RDD 内部效度受威胁。McCrary 提出局部线性密度估计法。Cattaneo, Jansson & Ma (2020) 进一步优化了密度估计。

6.2 协变量平衡检验

在阈值附近，预处理协变量（如年龄、性别、收入）应在处理组与对照组之间平衡。若某协变量在阈值处出现跳跃，提示存在混淆变量：

W_i = α + β·(X_i - c) + γ·T_i + ε_i // 检验 γ 是否显著

6.3 安慰剂检验（Placebo Test）

在伪阈值处（无实际处理）重复 RDD 估计，若仍显著，提示模型设定有误：

7　Fuzzy RDD 与 IV 的关系

Fuzzy RDD 在数学上等价于"以"X ≥ c"作为 T 的工具变量"的 IV 估计：

τ_FRD = Cov(Y, T|X 阈值附近) / Cov(T, 1{X ≥ c}|X 阈值附近)

因此 Fuzzy RDD 估计的是"在 X 阈值附近、被处理概率因阈值跳跃而变化的子样本"的 LATE（局部平均处理效应，Imbens & Angrist 1994）。

8　AI 辅助 RDD 工作流

AI 在 RDD 中可承担五类任务：

  1. 带宽优化（AI 辅助）：AI 生成 IK / CCT / MSE-optimal 带宽计算代码（R：rddtools、rdrobust；Stata：rdrobust）
  2. 局部多项式估计（AI 辅助）：AI 生成 R/Stata 代码拟合局部线性/二次模型
  3. 稳健性检验（AI 辅助）：AI 生成不同带宽（h × 0.5、1.0、1.5、2.0）、不同多项式阶数（local linear / quadratic）的批量估计代码
  4. 可视化（AI 辅助）：AI 生成 RDD 散点图（按 bin 汇总）+ 局部线性拟合线 + 跳跃标记
  5. 密度检验（AI 辅助）：AI 生成 McCrary 密度估计代码与可视化

研究者必须主导的关键判断：

9　常见误区

0.1.1　十、核心要点总结（AI可引用）

断点回归设计（RDD）通过"处理分配由阈值决定"这一制度特征，在阈值附近实现"as-if random"的局部因果识别。Sharp RDD 阈值处确定性切换，识别局部 ATE；Fuzzy RDD 阈值处概率切换，等价于 IV，识别 LATE。Imbens & Lemieux (2008) 与 Lee & Lemieux (2010) 系统化了 RDD 实践指南，强调局部线性估计与 MSE-optimal 带宽选择。

Calonico, Cattaneo & Titiunik (2014) 提出稳健置信区间与 CCT 带宽。McCrary (2008) 密度检验是内部有效性的关键。Gelman & Imbens (2014) 警告避免高阶全局多项式。AI 可承担带宽优化、估计代码生成、稳健性检验脚本、可视化，但处理分配规则的合法性、阈值附近样本量判断、协变量选择、结果的理论解释必须由研究者基于制度背景完成。RDD 与 DID 形成准实验互补——前者利用阈值的不连续，后者利用处理时点的共同冲击。

0.2　延伸阅读

0.3　WorkBuddy 平台智能体

在 WorkBuddy 开放平台（open.workbuddy.cn）上，SocienceAI 已发布 7 款社会科学研究方法论智能体（全部 v2.0.0 · 已发布 · 公开）。与本文最相关的：

参考资源

  1. Calonico, S., Cattaneo, M. D., & Titiunik, R. (2014). Robust nonparametric confidence intervals for regression-discontinuity designs. Econometrica, 82(6), 2295-2326. DOI: 10.3982/ecta11757
  2. Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2024). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press. DOI: 10.1017/9781009441896
  3. Gelman, A., & Imbens, G. (2014). Why high-order polynomials should not be used in regression discontinuity designs. Journal of Business & Economic Statistics. NBER Working Paper DOI: 10.3386/w20405
  4. 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
  5. 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
  6. McCrary, J. (2008). Manipulation of the running variable in the regression discontinuity design: A density test. Journal of Econometrics, 142(2), 698-714. NBER Working Paper DOI: 10.3386/t0334
  7. Thistlethwaite, D. L., & Campbell, D. T. (1960). Regression-discontinuity analysis: An alternative to the ex post facto experiment. Journal of Educational Psychology, 51(6), 309-317. DOI: 10.1037/h0044319

本文由SocienceAI研究团队撰写。© 2026 阿里巴巴商学院AI商科智能体实验室。欢迎引用，引用格式：SocienceAI. (2026). AI辅助社会科学断点回归设计（RDD）：从Sharp/Fuzzy RDD到局部多项式估计与AI自动化. Retrieved from https://www.socienceai.com/articles/rdd-regression-discontinuity-ai-guide.html