因果推断（五）：RDD断点回归设计中处置效应的计算

一、RDD中LATE的计算方式

二、 两次回归

所谓的两次回归指的是，在断点左边和右边，根据数据样本，分别拟合一条曲线。两条曲线在断点这条直线上的截距项，作为我们想要估计的$LATE$。

断点左边这条线外层指定的函数是：$$Y^0={\alpha }_0^0+{\beta }_1^{0}x+{ϵ}_0\text{\hspace{1em}(1)}$$假设$x$表示高考得分：$Y$表示收入，处置为进入一本或不进入一本，则式中的:

1. ${\alpha }_0^0$指的是截距项，即不受高考得分影响的平均收入水平；
2. ${\beta }_1^0$指的斜率，即收入随着高考得分增长的边际价值；
3. ${ϵ}_0$指的随机误差项，即模型无法完全捕捉的随机性和不确定性；
4. $Y^0$表示$x<c$(断点)的结果。

右边这条线指定的函数是：$$Y^1={\alpha }_0^1+{\beta }_1^{1}x+{\beta }_2\ast D+{ϵ}_1\text{\hspace{1em}(2)}$$式中的：

1. ${\alpha }_0^1$指的是截距项，即不受高考得分影响和是否上一本的平均收入水平；
2. ${\beta }_1^1$指的斜率，即收入随着高考得分增长的边际价值；
3. ${\beta }_2^1$是我们想要的$LATE$，即处置的边际价值；${ϵ}_1$指的随机误差项，即模型无法完全捕捉的随机性和不确定性；
4. $Y^1$表示$x>c$(断点)的结果。

此时$LATE$的推导如下：
$$LATE=E(Y^1-Y^0|x=c)=({\alpha }_0^1+{\beta }_1^{1}x+{\beta }_2\ast D+{ϵ}_1)-({\alpha }_0^0+{\beta }_1^{0}x+{ϵ}_0)\text{\hspace{1em}(3)}$$
因为${\alpha }_0^0$和${\alpha }_0^1$都表示不受高考分数和处置影响的平均收入水平，所以：
$${\alpha }_0^0={\alpha }_0^1\text{\hspace{1em}(4)}$$
因此，忽略掉两个误差项后：
$$LATE=({\beta }_1^1-{\beta }_1^0)\ast x+{\beta }_2\text{\hspace{1em}(5)}$$
若左右两边回归函数的斜率一致，即：
$${\beta }_1^1={\beta }_1^0\text{\hspace{1em}(6)}$$
则：
$$LATE={\beta }_2\text{\hspace{1em}(7)}$$
否则：
$$LATE=({\beta }_1^1-{\beta }_1^0)\ast c+{\beta }_2\text{\hspace{1em}(8)}$$
问题一：怎么看待回归曲线斜率不一致的问题？等我知道了再补充。🐶

三、一次回归

所谓的一次回归，指的是直接用一个函数做拟合，其实本质和上面是一样的，只是两个式子合并成了用一个式子表达：
$$Y={\alpha }_0+{\beta }_{1}x+{\beta }_2\ast D+{\beta }_3\ast x\ast D+ϵ\text{\hspace{1em}(9)}$$
为什么可以写成这样呢？我们分别看下处置$D=0$和不处置$D=1$时，这个式子会变成什么样：
$$Y=\{\begin{array}{ll}{\alpha }_0+{\beta }_{1}x+ϵ& x<c,D=0\\ {\alpha }_0+{\beta }_{1}x+{\beta }_2+{\beta }_3\ast x+ϵ& x>c,D=1\end{array}\text{\hspace{1em}(10)}$$
上式的第一个表达式是不是和式（1）一样？就不用再解释啦。关键是第二个表达式怎么理解？第二个式子跟式（2）唯一的区别是多了一个交互项：${\beta }_3\ast x$，这里其实是为了考虑左右两边回归曲线的斜率不一致的场景，当${\beta }_3=0$时，左右两边回归曲线的斜率相等，否则不等。

此时的LATE为：
$$Y^1-Y^0=({\alpha }_0+{\beta }_{1}c+{\beta }_2+{\beta }_{3}c+ϵ)-({\alpha }_0+{\beta }_{1}c+ϵ)={\beta }_2+{\beta }_{3}c\text{\hspace{1em}(11)}$$

四、去中心化

所谓去中心化，就是将：
$$Y={\alpha }_0+{\beta }_{1}x+{\beta }_2\ast D+{\beta }_3\ast x\ast D+ϵ\text{\hspace{1em}(9)}$$
中凡是涉及$x$的项，都用$x-c$来代替，即变成：
$$Y={\alpha }_0+{\beta }_1(x-c)+{\beta }_2\ast D+{\beta }_3\ast (x-c)\ast D+ϵ\text{\hspace{1em}(12)}$$
这么做有什么好处呢？我们先来推导一下去中心化以后的$LATE$：
$$x>c,D=1时：Y^1={\alpha }_0+{\beta }_1(x-c)+{\beta }_2+{\beta }_3\ast (x-c)+ϵ\text{\hspace{1em}(13)}$$
$$x<c,D=0时：Y^0={\alpha }_0+{\beta }_1(x-c)+ϵ\text{\hspace{1em}(14)}$$
因此$LATE$可以表示为：
$$Y^1-Y^0={\beta }_2$$
可以看到去中心化前后的LATE计算的表达式分别为：${\beta }_2+{\beta }_{3}c$和${\beta }_2$。看起来是不是很困惑？到底哪个是对的呢？其实这两个是相等的！我们将式（12）换一套字符表达：
$$Y={\alpha }_0^{{}^{\prime }}+{\beta }_1^{{}^{\prime }}(x-c)+{\beta }_2^{{}^{\prime }}\ast D+{\beta }_3^{{}^{\prime }}\ast (x-c)\ast D+ϵ\text{\hspace{1em}(15)}$$
然后我们再来比较下去中心化之前的式（9）：
$$Y={\alpha }_0+{\beta }_{1}x+{\beta }_2\ast D+{\beta }_3\ast x\ast D+ϵ\text{\hspace{1em}(9)}$$
和去中心化之后的式（15）：
$$Y={\alpha }_0^{{}^{\prime }}+{\beta }_1^{{}^{\prime }}(x-c)+{\beta }_2^{{}^{\prime }}\ast D+{\beta }_3^{{}^{\prime }}\ast (x-c)\ast D+ϵ\text{\hspace{1em}(15)}$$
我们将式（15）展开可以得到：
$$Y={\alpha }_0^{{}^{\prime }}+{\beta }_1^{{}^{\prime }}x+({\beta }_2^{{}^{\prime }}-{\beta }_3^{{}^{\prime }}c)\ast D+{\beta }_3^{{}^{\prime }}\ast x\ast D-{\beta }_1^{{}^{\prime }}c+ϵ\text{\hspace{1em}(16)}$$
可以看到：
$${\alpha }_0={\alpha }_0^{{}^{\prime }},{\beta }_1={\beta }_1^{{}^{\prime }},{\beta }_3={\beta }_3^{{}^{\prime }},{\beta }_2={\beta }_2^{{}^{\prime }}-{\beta }_3^{{}^{\prime }}c,$$
从最后一个等式可以推出：
$${\beta }_2^{{}^{\prime }}={\beta }_2+{\beta }_3^{{}^{\prime }}c,$$
因为：
$${\beta }_3={\beta }_3^{{}^{\prime }},$$
所以：
$${\beta }_2^{{}^{\prime }}={\beta }_2+{\beta }_{3}c,$$

等式前一项是去中心化之后的$LATE$，等式的后一项是去中心化之前的的$LATE$！！！这也是为什么说去中心化理论上并不会改变计算的LATE的值。

好了，最后总结下为什么要去中心化：由于去中心化后，$LATE$只与一个估计量相关啦，相比去中心化之前的与两个估计量相关，自然估计的偏差会小一点（无偏性更好），因为多个参数估计的误差是会累积的，同时，方差也会小一点（有效性更强）。一致性我们刚刚推导过程中已经保证了。