寻求含虚拟自变量与混淆变量的回归断点设计公式

我明白你的困惑——很多基础教材里的线性回归公式确实没法直接套用到回归断点设计（RDD）里，因为RDD的核心逻辑和普通回归完全不同，尤其是处理变量D的定义方式。你需要的公式必须体现RDD的核心：处理变量D是由一个连续的「分配变量（Running Variable）」是否超过断点来决定的，而不是随机分配的虚拟变量。

首先明确RDD的核心要素 #

在RDD中，你的虚拟变量D不能是任意分组，它必须满足：
D = 1 当 R ≥ c，否则 D = 0
其中：

• R：分配变量（比如考试分数、收入水平、申请截止日期的天数等，是连续变量）
• c：断点值（比如及格线60分、补贴资格的收入阈值）

带混淆变量（协变量）的Sharp RDD公式（最常用的情况） #

如果你的研究是Sharp RDD（即所有超过断点的个体都进入处理组，没超过的都在控制组，没有例外），带协变量的完整公式应该是：

Y = α + τ*D + β*X + γ*(R - c) + δ*D*(R - c) + ε

逐个解释变量和参数：

• Y：你的连续因变量
• D：处理虚拟变量（1=处理组，0=控制组），由D = I(R ≥ c)定义（I()是指示函数）
• X：混淆变量（协变量）的矩阵（可以是多个变量），β是对应的系数向量，用来控制那些在断点前就存在的、可能影响Y的混杂因素
• (R - c)：中心化后的分配变量，用来控制断点附近R的线性趋势（这是RDD避免遗漏变量偏差的关键）
• D*(R - c)：处理变量和中心化分配变量的交互项，用来允许处理组和控制组的R-Y趋势不同（如果两组趋势相同，这个项可以省略，但建议保留以更严谨）
• τ：你最关心的局部处理效应（LATE）——即断点附近个体的处理效应（RDD估计的是断点附近的因果效应，不是整体效应）
• ε：随机误差项

为什么你之前的公式不适用？ #

你提到的Y = α + Dτ + Xβ + ε是普通线性回归的公式，它没有考虑RDD的核心：分配变量R的趋势。在RDD中，R本身可能和Y相关，如果不控制R的趋势，你估计的τ会被R的趋势混淆，得到的结果不是因果效应。

进阶调整：非线性趋势和Fuzzy RDD #

• 非线性趋势：如果你的分配变量R和Y的关系是非线性的（比如二次、三次），可以加入(R - c)的高次项，比如：

  Y = α + τ*D + β*X + γ1*(R - c) + γ2*(R - c)² + δ1*D*(R - c) + δ2*D*(R - c)² + ε
  

• Fuzzy RDD：如果处理分配不是严格的（比如有些超过断点的个体没得到处理，有些没超过的却得到了），需要用两阶段最小二乘法（2SLS）：
  1. 第一阶段：用I(R ≥ c)作为工具变量预测D：

     D = α1 + π*I(R ≥ c) + β1*X + γ1*(R - c) + δ1*I(R ≥ c)*(R - c) + ε1
     

  2. 第二阶段：用预测的D̂回归Y，同时加入协变量和趋势项：

     Y = α2 + τ*D̂ + β2*X + γ2*(R - c) + δ2*D̂*(R - c) + ε2
     

关于协变量的注意事项 #

• 协变量X必须是前定变量（即在处理分配前就已经确定的变量，比如个体的年龄、性别、预处理的Y值等），不能是处理后的结果变量
• 加入协变量的主要作用是提高估计的精度，而不是解决内生性（RDD的内生性解决依赖于断点附近的局部随机化）

内容的提问来源于stack exchange，提问作者user9235457