让跳跃更有意义：断点回归设计(RDD)
&
让“跳跃”更有意义：断点回归设计(RDD)在一个高度依赖规则的世界里，有些规则的出现十分随意，这种随意性为我们提供了性质良好的实验（Angrist& Pischke，2009）。断点回归设计（RegressionDiscontinuity Design）是一种仅次于随机实验的能够有效利用现实约束条件分析变量之间因果关系的实证方法。Lee（2008）认为在随机实验不可得的情况下，断点回归能够避免参数估计的内生性问题，从而真实反映出变量之间的因果关系。
断点回归方法首先是由美国西北大学心理学家Campbell于1958年提出的；并与1960年，与 Thistlethwaite正式发表了第一篇关于断点回归的论文，提出断点回归是在非实验的情况下处理处置效应（Treatment Effects）的一种有效的方法，主要应用于心理学和教育学领域。1963年，Campbell and Stanley为断点回归提供了更加清晰化的概念，但由于当时还缺乏严密的统计证明，加之IV 方法在处理内生性的思路和范式上具有更广阔的适用范围，因此在随后的几十年间，RD 方法一直没有得到经济学者的重视。直到上世纪90 年代末，随着该方法的理论基础得到进一步发展，大量经济学文献才开始使用RD 方法对变量之间的因果关系进行识别。
断点回归可以分为两类，一类是模糊断点回归（Fuzzy RD），另一类是清晰断点回归(Sharp RD)。清晰断点回归可以看作是一种基于可观察变量进行的选择
（selection-on-observablesstory），而模糊断点回归则常被视为一种工具变量的方法（instrumental-variables-type）。
清晰断点回归(Sharp RD)
当处理状态是协变量确定型、不连续函数时，可以使用清晰间断点回归法。对于清晰断点回归，个体在临界值的一边接受处理效应（treatment effect）的概率为0，而在临界值另一边的概率则为1。最早使用清晰断点回归方法的典型例子是：获得国家杰出奖学金的学生是不是会更愿意读研究生(Thistlewaithe and Campbell,1960; Campbell, 1969)。清晰断点回归通过比较PSAT分数刚好高于或低于国家杰出奖学金分数线的那些高中生的研究生入学率来回答这一问题。一般情况下，在PAST考试中得分越高的学生，其将来读研究生的概率也就越大。通过回归来拟合研究生院入学率和PSAT之间的关系，可以控制这一趋势，将分数线附近PSAT成绩和大学入学率之间的关系中出现的跳跃视为存在处理效应的证据。
Imben and Limieux(2008)认为断点回归的有效性依赖于我们对协变量的外推，或者至少在协变量有不连续的那个领域内外推，因此，条件期望函数的具体形式的设定很重要。给予具体函数形式得到的断点回归估计值的有效性依赖于多项式模型能否精确的描述条件期望函数。如果不能，那么看上去由于个体被处理而发生的跳跃可能只不过是条件期望函数的某个点的不连续，在设定期望函数之前我们并没有预计到这种不连续。为了使得这种错误降低到最低，断点回归在实际操作中只去考察在不连续点的领域中的数据，也就是考察区间[x0-△,x0+△],其中△为某个很小的正数。换言之，在x0左侧和右侧一个足够小领域内比较Y1i和Y0i的平均值之间的差别，就可估计出处理效应，而这种方法与条件期望函数的具体的形式无关。
断点回归估计方法可以分为参数估计和非参数方法的估计。大部分利用断点回归进行的经验研究中，仍然是参数型估计。参数估计方法内涵一个思想是：赋予靠近临界值的数据点更大的权重。随着不连续样本窗口的缩小，断点回归估计值会变得不精确，但是用来模型
化函数f（xi）的多项式的阶数也会下降。当以X0为中心不断调整样本窗口大小时，控制变量会逐渐变少，但Di的处理效应会保持稳定。
—
非参数方法的应用越来越广泛。使用非参数方法对断点回归进行估计时，需要分别对x0左侧和右侧领域中的Yi的平均值做出精确估计，但这至少会遇到两个问题：如果在临界值很小的领域中进行估计，那么可用的数据就相对较少；在有界领域中对条件期望函数的估计是有偏的。针对这一问题，Hahn, Todd and van der Klaauw 在2001年提出了使用非参数的局部线性回归，感兴趣的读者可以进一步阅读。
清晰断点回归的一个经典例子是关于执政党地位对其再次当选的研究。在美国的议会政治中，执政党被再次高概率当选已经成为美国议会政治中最为引人注目的事实。Lee在其
协变量应该是像在随机实验中一样被处理平衡。然而需要解决的一个问题是，在选举中存在私利的人可能会控制操纵处在临界值附近的xi，从而使得临界值两边的状况不可比，但Lee 通过计算接近x0处的xi的比例来考察不连续点附近的xi的分布密度发现，这种情况不太可能出现。作者通过清晰断点回归设计，创造出“近似实验（near-experimental）”方法，验证了执政党的选举优势。
模糊断点回归（Fuzzy RD）
作为一种工具变量法的模糊断点回归是在给定某个协变量的情况下，处理状态的概率和期望值所发生的不连续变化。与清晰断点回归不同的是，处理状态不再是变量Xi的确定函数，而是一种概率函数。由于个体被处理的概率会有一个跳跃，不连续性成了针对处理状态的工具变量，不再和处理状态有确定性的联系。模糊断点回归设计提供了一个简单的工具变量估计策略。
模糊断点回归方法的第一个例子是关于助学金是否是高校争夺优质生源的有效工具的研究。Van der Klaauw(2002)的
库中则不能找到。然而，在很多学校，助学金的评判过程都是客观和公平的。例如，学校x 通过SAT和GPA的成绩构建一个综合指数S，通过这个构建的指数将学生分为不同的等级。依据这一指数，将学生分为四个不同等级。三个切点分别为S1、S2、S3，S3其中最高的一个等级。不同等级的学生可以得到不同等级的助学金。尽管助学金的评定并不仅仅看S的等级，这使得不同的等级内部的助学金也会存在差异。在给定学生的指数是决定其能否得到助学金主要变量后，因此，学生得到的助学金是学生成绩的函数，并会在切点处出现跳跃。那些比切点处的综合指数大的得到助学金较大，而比切点处的综合指数小的得到助学金较小。由于学生得到助学金的多少是学生综合指数S的函数且存在间断点，这其实符合了模糊断点方法的设定原则。因此，作者利用模糊RD的方法，通过分析助学金在学生综合指数的切点处的变化，得出助学金是高校争夺优质生源的有效工具的结论。
另外一篇相对更早的使用模糊断点回归设计进行因果效应估计是Angrist & Lavy 在
规模作为实际班级规模的工具变量）的估计得出班级规模对考试成绩具有显著影响，这与利
用STAR实验的相关研究得出的结论一致。
参考文献：
【
Lee, David S. (2008): “Randomized experim entsfrom non-random selection in . House elections”, Journal of Econometrics,142, 675-697.
Thistlethwaiite, D., and D. Campbell (1960):
“Regression-DiscontinuityAnalysis: An Alternative to the Ex Post Facto Experiment,” Journal of EducationalPsychology, 51, 309–317.
Campbell, Donald Thomas (1969): “Reforms asExperiments”, American Psychologist, 24, 409-429.
Campbell, Donald Thomas, and Julian C. Stanley(1963): “Experimental and Quasi-experimental Designs for Research”. RandMcNally, Chicago.
Imbens, Guido, and Thomas Lemieux (2008): “RegressionDiscontinuity Designs: A Guide to Practice”, Journal of Econometrics, 142,615635
Hahn, Jinyong, Petra Todd, and Wilbur van derKlaauw (2001): “Identification and Estimation of Treatment Effects with aRegression-Disconti nuity Design”, Econometrica, 69, 201-209.
Van der Klaauw, Wilbert (2002): “Estimating theEffect of Financial Aid Offers on College Enrollment: ARegression-Discontinuity Approach”, International Economic Review, 43.
Angrist, Joshua D., and Victor Lavy (1999): “UsingMaimonides Rule to Estimate the Effect of Class Size on Scholastic Achievement”,Quarterly Journal of Economics, 114, 533-575
/
Joshua D. Angrist and Jorn-SteffenPischke(2009):Mostly Harmless Econometrics: An Empiricists Companion. PrincetonUniversity Press
断点回归方法的应用
一引言 2010年4月24日，该年度的约翰·贝茨·克拉克奖章（John Bates Clark Medal）——针对40岁以下年轻经济学者的最高荣誉，授予了麻省理工学院经济系的Esther Duflo教授以表彰其在随机实验普及和其在发展经济学中应用方面的卓越贡献。在因果关系分析的实证方法中，最优的选择应当为随机实验，但是随机实验的时间成本和经济成本都比较高，而在随机实验不可得的情况下，需要考虑使用其它方法。断点回归（Regression Discontinuity）便是仅次于随机实验的，能够有效利用现实约束条件分析变量之间因果关系的实证方法。Lee（2008）认为在随机实验不可得的情况下，断点回归能够避免参数估计的内生性问题，从而真实反映出变量之间的因果关系。然而，断点回归也仅仅是在20世纪90年代末才被应用于处理经济学的问题。2001年，Hahn等人对断点回归模型的识别和估计的理论问题进行了严格细致的分析，此后，断点回归才在众多的经济学研究领域中崭露头角。时至今日，断点回归已经在劳动和教育经济学、政治经济学、环境经济学和发展经济学等领域取得了广泛的应用。然而，断点回归却鲜为中国经济学者所应用，正是基于断点回归在实证研究中的重要性和国内文献的缺乏，本文拟以此为背景，从断点回归的理论、发展历史、实证步骤和经济学中的应用几个方面阐述断点回归这一个新“拟随机试验”方法的兴起。 二断点回归理论及发展历史 断点回归是一种拟随机实验，此种随机实验定义了这样一个特征，即接受处置（Treatment）的概率是一个或者几个变量的间断函数。Hahn et al.（2001） 提出了断点回归的首要假设，如果变量表示处置效应，表示决定处置的关键变量，那么和必须存在，并且 。在使用断点回归的情况下，存在一个变量，如果该变量大于一个临界 值时，个体接受处置，而在该变量小于临界值时，个体不接受处置。一般而言，个体在接受处置的情况下，无法观测到其没有接受处置的情况，而在断点回归中，小于临界值的个体可以作为一个很好的可控组（Control Group）来反映个体没有接受处置时的情况，尤其是在变量连续的情况下，临界值附近样本的差别可以很好的反映处置和经济变量之间的因果联系。断点回归可以分为两类，第一类，临界值是确定的（Sharp），即在临界值一侧的所有的观测点都接受了处置，反之，在临界值另一侧的所有观测点都没有接受处置。此时，接受处置的概率从临界值一侧的0跳转到另一侧的1；第二类，临界点是模糊的（Fussy），即在临界值附近，接受处置的概率是单调变化的。Hahn et al.（2001）在一定的假设下，证明了无论是哪一类型的断点回归，都可以利用临界值附近样本的系统性变化来研究处置和其它经济变量之间的因果关系。 断点回归首先是由美国西北大学的心理学家Campbell于1958年首先发展设计出来的，从那时开始直到二十世纪80年代，Campbell和西北大学心理学系和统计学系的同事一直从事断点回归的设计和研究工作。Thistlethwaite和Campbell（1960）正式发表了第一篇关于断点回归的论文，他们提出断点回归是
计量经济学与实验经济学的若干新近发展及展望
计量经济学与实验经济学的若干新近发展及展望 一、引言 经济研究的方法在于总结典型的经验特征与收集数据,并在此基础上建立相应的经济理论或经济模型。经济研究的科学性在很大程度上取决于经济理论或经济模型的可验证性,即能否通过数据实证检验相关的经济理论与经济模型来解释事实,并预测未来的经济变动趋势以及提供科学的政策建议。计量经济学和实验经济学则犹如硬币的双面,从不同的角度为经济学的实证分析提供重要的方法论基础。计量经济学以实际经济数据的建模与分析为主要研究对象。当实际数据不可得,或实际数据过于复杂而导致因果关系不易梳理时,实验经济学则有可能从另一个角度出发,通过可控的实验数据代替实际数据,成为实证经济分析的又一个有利工具。 计量经济学是由经济学、统计学、数学、计算机科学等学科交叉产生而又独立于其中任何一个学科。计量经济学产生于对经济理论的实证分析,经济系统的建模和国民经济投入产出法的计算等经济学问题,经过近一个多世纪的发展,已经成为了一个成熟而且被广泛运用的学科。计量经济学可以分为理论计量经济学和应用计量经济学。其中理论计量经济学主要关注计量经济模型的建立,包括针对不同数据类型、随机实验和不可控随机误差的分布形式、经济学模型和实际问题而进行的假设,从而对该模型进行参数、非参数等的估计、统计推断和预测,并给出其具体的理论性质,例如无偏性,渐进分布、统计有效性、预测误差等等。应用计量经济学则侧重于实际问题,其内容基本涵盖凡是有数据支持的经济学理论的各个分支,并用经济数据来对经济理论进行检验,或是对某些经济变量的因果关系进行量化研究,或是利用金融数据进行风险估计等实证研究。例如对环境经济学、教育经济学、金融经济学、国际贸易理论、经济增长理论等都可以通过数据进行实证分析,在计量经济学理论的指导下进行计算。计量经济学的理论研究和实证分析相辅相成,对现实生活中某种类型经济数据的实证分析往往成为发现理论研究新方向的动力,同时理论研究的成果也通过计量模型被广泛应用到各种实际问题中去。 计量经济学是现代经济学理论体系的一个核心组成部分,可以说如果没有计量经济学,经济学理论就像纯数学理论一样只有象牙塔式的研究价值而不能被数据所证实或者应用证伪。在过去的诺贝尔经济学奖获奖人当中,第一届
断点回归设计的步骤
近在做一个需要利用断点回归设计的研究。为了保证实践的规范性，并且避免未来审稿中可能面对的质疑，花了几天时间梳理了一下断点回归设计的标准操作，整理出来，供来人参考。本文参考了三篇文献，先摆在这里，建议大家去读原文： 第一篇：Lee, and Lemieux, 2010，" Regression Discontinuity Designs in Economics "，Journal of Economic Literature, Vol. 48: 281–355. 第二篇：Pinotti, Paolo. "Clicking on heaven's door: The effect of immigrant legalization on crime." American Economic Review107.1 (2017): 138-68. 第三篇：Thoemmes, Felix, Wang Liao, and Ze Jin. "The Analysis of the Regression-Discontinuity Design in R." Journal of Educational and Behavioral Statistics 42.3 (2017): 341-360. 1.断点回归常规操作流程 第1步检查配置变量（assignment variable，又叫running variable、forcing variable）是否被操纵。这里的配置变量，其实就是RD中决定是否进入实验的分数（Score），是否被操纵的意思就是，是否存在某种跳跃性的变化。在实际操作中有两种方式来检验，一是画出配置变量的分布图。最直接的方法，是使用一定数量的箱体（bin），画出配置变量的历史直方图（histogrm）。为了观察出分布的总体形状，箱体的宽度要尽量小。频数（frequencies）在箱体间的跳跃式变化，能就断点处的跳跃是否正常给我们一些启发。从这个角度来说，最好利用核密度估计做出一个光滑的函数曲线。二是利用McCrary（2008）的核密度函数检验。（命令是DCdensity，介绍见陈强编著的《高级计量经济学及Stata应用》（第二版）第569页）, Frandsen (2013)提出了一种新的检验方法，但目前被使用 的并不多。 第2步画因变量均值对配置变量的散点图，并选择带宽（bandwidth selection）。首先，挑选出一定数目的箱体，求因变量在每个箱体内的均值，画出均值对箱体中间点的散点图。一定要画每个箱体平均值的图。如果直接画原始数据的散点图，那么噪音太大，看不出潜在函数的形状。不要画非参数估计的连续统，因为这个方法自然地倾向于给出存在断点的印象，尽管总体中本来不存在这样的断点。然后，选择第三步骤中需要的带宽。Lee和Lemieux（2010）介绍了两种确定最优带宽的方法：拇指规则法（rule of thumb）和交叉验证法（CV）。还有另外两种比较受关注的方法：IK法和CCT法。IK法以Imbens和Kalyanaraman两个人命名，对应着论文Imbens和Kalyanaraman（2012）。这篇论文发表在Review of Economic Studies，Lee和Lemieux（2010）文中提到过此文2009年的NBER工作论文版。CCT法以Calonico、Cattaneo和Titiunik三个人命名，对应着论文Calonico、Cattaneo和Titiunik（2014a）。用非参数法做断点回归估计时的stata命令rd，就是用IK发确定最优带宽。stata命令rdrobust、rdbwselect，提供CV、IK、CCT三种不同的最优带宽计算方法选项。但是实际上rdrobust中已经更新了IK带宽选择函数，更新的算法与IK算法的区别有待考证，后续会补充。实际操作中一般是两种算法都会采纳，并汇报参数估计对带宽选择是不敏感的。
断点回归及其在经济学中的应用
断点回归及其在经济学中的应用 一引言 2010年4月24日，该年度的约翰·贝茨·克拉克奖章（John Bates Clark Medal）——针对40岁以下年轻经济学者的最高荣誉，授予了麻省理工学院经济系的Esther Duflo教授以表彰其在随机实验普及和其在发展经济学中应用方面的卓越贡献。在因果关系分析的实证方法中，最优的选择应当为随机实验，但是随机实验的时间成本和经济成本都比较高，而在随机实验不可得的情况下，需要考虑使用其它方法。断点回归（Regression Discontinuity）便是仅次于随机实验的，能够有效利用现实约束条件分析变量之间因果关系的实证方法。Lee（2008）认为在随机实验不可得的情况下，断点回归能够避免参数估计的内生性问题，从而真实反映出变量之间的因果关系。然而，断点回归也仅仅是在20世纪90年代末才被应用于处理经济学的问题。2001年，Hahn等人对断点回归模型的识别和估计的理论问题进行了严格细致的分析，此后，断点回归才在众多的经济学研究领域中崭露头角。时至今日，断点回归已经在劳动和教育经济学、政治经济学、环境经济学和发展经济学等领域取得了广泛的应用。然而，断点回归却鲜为中国经济学者所应用，正是基于断点回归在实证研究中的重要性和国内文献的缺乏，本文拟以此为背景，从断点回归的理论、发展历史、实证步骤和经济学中的应用几个方面阐述断点回归这一个新“拟随机试验”方法的兴起。 二断点回归理论及发展历史 断点回归是一种拟随机实验，此种随机实验定义了这样一个特征，即接受处置（Treatment）的概率是一个或者几个变量的间断函数。Hahn et al.（2001）提出了断点回归的首要假设， 如果变量表示处置效应，表示决定处置的关键变量，那么和 必须存在，并且。在使用断点回归的情况下，存在一个变量，如果该变量大于一个临界值时，个体接受处置，而在该变量小于临界值时，个体不接受处置。一般而言，个体在接受处置的情况下，无法观测到其没有接受处置的情况，而在断点回归中，小于临界值的个体可以作为一个很好的可控组（Control Group）来反映个体没有接受处置时的情况，尤其是在变量连续的情况下，临界值附近样本的差别可以很好的反映处置和经济变量之间的因果联系。断点回归可以分为两类，第一类，临界值是确定的（Sharp），即在临界值一侧的所有的观测点都接受了处置，反之，在临界值另一侧的所有观测点都没有接受处置。此时，接受处置的概率从临界值一侧的0跳转到另一侧的1；第二类，临界点是模糊的（Fussy），即在临界值附近，接受处置的概率是单调变化的。Hahn et al.（2001）在一定的假设下，证明了无论是哪一类型的断点回归，都可以利用临界值附近样本的系统性变化来研究处置和其它经济变量之间的因果关系。 断点回归首先是由美国西北大学的心理学家Campbell于1958年首先发展设计出来的，从那时开始直到二十世纪80年代，Campbell和西北大学心理学系和统计学系的同事一直从事断点回归的设计和研究工作。Thistlethwaite和Campbell（1960）正式发表了第一篇关于断点回归的论文，他们提出断点回归是在非实验的情况下处理处置效应（Treatment Effects）的一种有效的方法，主要应用于心理学和教育学领域。随后，Campbell和Stanley（1963）为断点回归提供了更加清晰化的概念，但是由于他们并没有给出断点回归统计上的证明。在他们看来，断点回归主要是为了解决选择性偏误（Selection Bias）问题，断点回归利用了一个取决于某连续变量的间断函数，这个间断函数完全决定了个体是否受到处置，这就使得样本选择的细节完全展示出来，使得我们知道样本选择的问题所在。此外，Campbell和Stanley 还认为断点回归仅仅是在间断的临界值处类似于随机实验，其推论的有效性也仅仅局限于间
差分断点回归设计(DIRD)及其在人口断点中的应用
差分断点回归设计（DIRD）及其在人口断点中的应用 2015-12-27BOSS应用微观计量经济学 差分断点回归设计（DIRD）及其在人口断点中的应用在各国的政策实践（特别是财政政策和选举政策等）中，经常有针对不同城市人口范围制定差异化政策的设定。近年来，利用这种人口层级使用断点回归设计来解决实证研究中内生性问题的文章大量涌现。然而，由于人口本身的特殊性，使用人口作为驱动变量进行的断点回归设计与一般的断点不同，存在着一些天然的陷阱，并且往往不为研究者所注 意。Eggers等人的最新工作论文Regression DiscontinuityDesigns Based on Population Thresholds: Pitfalls and Solutions针对这一问题做了详细的阐述。 作者通过搜集发现，使用人口断点的实证文献有28篇之多，并且这一数目还在不断增加。作者指出，使用人口断点的文章必须注意两个陷阱： 1、政府制定政策时如果采用人口断点，那么通常会有多项不同的政策采用相同的政策断点，因此研究者估计的断点两侧Y变量的跳跃很有可能并非某一项具体政策的效果，而是多项不同政策加总的净效果。这一问题在研究者使用模糊断点回归（Fuzzy RDD）时将会变得尤为严重，作者将其称为confounded treatment problem。针对这一问题，作者建议使用刚刚发展起来的“差分断点回归设计”（Difference-in-discontinuitiesdesign，DIRD）进行更为细致的检验。差分断点回归设计的基本思想十分简单，当某一政策断点处两项政策
的混合效果AB和其中某项政策的效果B已知时，直接做差即可得到A的一致估计。当然，如果我们要得到其中某些政策的处置效应，前提必须是这两项政策在某一具体的断点处实施的时间上有差异，与此同时我们假定这一处置效应不随时间变化。如果两项政策碰巧又是同时实施的（此处应有叹息声），那么我们可以退而求其次，寻求新的假定来实施差分断点回归。例如，当基于人口断点的政策利用的是多断点时（几乎所有的文献中使用的人口断点都是多断点，这是由政策制定的实际决定的），如果我们假定不同人口断点处的处置效应是相同的，碰巧A政策与B政策只在某一特定的断点处重合而不在另一个断点处重合，那么我们仍然可以通过做差的方式来消除重合断点产生的混淆效应。如果上述设定仍然难以找到，我们可以进一步寻求空间上的差异，看看其他地区有没有与我们关注的地区存在variation从而使得我们能够区分两项政策。如果时间、不同断点处和空间上都没有差异，那么我宣 布：A、B这一对好基友天长地久，确实难以分开，少年，洗洗碎吧…… 2、当某项政策给地方政府带来的激励足够强时，地方政府可能通过某种手段操纵当地的人口数量，从而使得自己落入更加符合自身利益的政策区域内。RDD模型的设定本身要求，样本无法精确地操纵（precisely manipulate）是否接受处置。目前一个近似标准化的做法是检验驱动变量（forcing variable）在断点两侧分布情况，如McCrary检验（McCrary，2008）。然而，作者通过法国、意大利和德国的几个政策实例发现，当驱动变量不是连续变量的时候，McCrary检验的结果是有偏的。此外，大量的文献受制于某些特殊的情况（例如断点很多，某个具体的断点两侧的样本量不足，或者想要估计一个所谓 的“加总效果”），通常会尝试将多个断点“堆叠”起来的模型设定。一旦采用数据堆叠，那么一定会导致断点两侧的人口分布出现不连续的情况，从而使得McCrary检验失效。 当然，最后作者给了我们极大的宽慰，尽管使用人口断点可能存在这样那样的问题，但这些问题并不会影响我们利用RDD的方法来解决实证研究中的内生性问题，因为你现在也找不到别的更好的办法。Don’t throw the baby out withthe bathwater，换一种表达方式是you canyou up，no canno BB. 阅读 271918
黑马程序员java教程：断点调试模式运行java程序
断点调试模式运行java程序 1断点调试的目的 ●跟踪源代码； ●观察程序运行状态； 2调试程序1 编写求和代码 ●设置断点； ●debug运行； ●进入debug透视图； ●程序会运行到断点处停住； ●当前行还没有运行； ●查看变量值：选中变量→鼠标右键→Watch； ●F5（跳入）、F6（跳过）、F7（跳出）； 3调试程序2 使用Arrays.binarySearch()编写折半搜索数组元素代码 ●设置断点； ●测试跳入； ●测试跳过； ●测试跳出； ●添加断点； ●测试进入下一断点； ●测试返回当前方法栈的头部（Drop To Frame）； ●清除断点； ●清除表达式； ●注意，停止程序！ MyEclipse快捷键 1MyEclipse常用快捷键1 ●Alt + /（内容助理）：补全； ●Ctrl + 1（快速定位）：出错时定位错误，与点击“红X”效果一样；
●Ctrl + Shift + O：导包； ●Ctrl + Shift + F：格式化代码块； 2MyEclipse常用快捷键2 ●Ctrl + Shift + T：查看源代码； ●Ctrl + 点击源代码：查看源代码； ●F3：查看选中类的源代码； ●Alt + 左键：查看源代码时的“原路返回”； ●Ctrl + Shift + X：把小写修改为大写； ●Ctrl + Shift + Y：把小写修改为小写； ●Ctrl + Alt + 下键：复制当前行； ●Ctrl + /：添加或撤销行注释； ●Ctrl + Shift + /：对选中代码添加段注释； ●Ctrl + Shift + \：撤销当前段注释； ●Alt + 上键：向上移动当前行； ●Alt + 下键：向上移动当前行； ●Ctrl + D：删除当前行； MyEclipse： ●工作空间； ●项目名称； ●包名； ●类名； ●Alt + /、Ctrl + 1、Ctrl + shift + o、Ctrl + shift + f
断点回归和指数效应
断点回归和指数效应 2015-10-08 金融学前沿论文速递 这是“金融学前沿论文速递”第177篇推送 选文:谢晓飞审稿:李娜编辑:张凡 仅用于学术交流，原文版权归原作者和原发刊所有，转载请注明出处 由Yen-Cheng Chang、Harrison Hong和InessaLiskovich共同撰写的Review of Financial Studies 2015年第1期文章“Regression Discontinuity and the Price Effects of Stock Market Indexing”采用Russell 1000和Russell 2000这两个指数之间交接处的独特样本研究了指数效应。指数效应，指某只股票被纳入/剔除指数成份股后，其股价会上升/下降的现象。Russell 1000和2000指数的成份股是按照市值排序最大的前1000家公司和随后的2000家公司。排在第1000名前后的公司，只要市值稍稍变动就可能从一个指数移动到另一个指数中去。由于指数以市值加权，因此追踪Russell 2000指数中最大股票的资金比追踪Russell 1000指数中最小股票的资金多。文章利用这个不连续性，用断点回归方法发现了明显的指数效应：当股票从Russell 1000被纳入Russell 2000指数会导致价格上涨；而从Russell 2000中剔除到Russell 1000会导致价格下跌。文章还研究了指数效应的时间趋势以及揭示了为指数交易者提供流动性的投资者类型。 虽然指数效应的研究众多，但已有研究还存在若干问题。第一，有关指数效应是否真存在的问题。传统研究方法认为纳入指数的股票存在指数纳入效应，因其与非纳入的控制组（一般为市场组合）的区别仅在于购买需求（纳入指数的股票会受到追踪指数的被动型投资者大量购买），因而推论应是股票的需求曲线向下倾斜。这一推论与传统的有效市场假说相悖（假设股票的替代资产很多因而其需求曲线平直）。后续研究提供了股票需求曲线向下倾斜的证据，但仍有一些问题待解：首先，纳入和剔除效应的具体大小尚未揭示（指数效应的论证中还混杂着其他潜在原因，已有研究揭示被纳入指数的股票有收益提升，但并未揭示多少提升是由于纳入指数而非基本面好或吸引关注等所造成）；其次，纳入和剔除效应有什么不同没有研究（受研究样本和方法所限，少有研究关注剔除效应）。第二，有关指数效应时间趋势的问题。现有研究用一次性事件很难分离购买所导致的指数成份股股价上升和摩擦减少对冲纳入效应更方便所导致的股价下降两种力量。第三，有关谁为跟踪指数者提供流动性的问题。这个问题还没有研究，但这个研究对于搞清指数投资需求上升的原因很重要。 为了解决这些难题，文章通过对Russell 2000指数中市值排名在界断点附近的股票进行一系列断点回归的研究设计清晰地考察了指数效应。每年5月末股票会按市值进行排序，第1-1000名归入Russsell 1000指数，第1001-3000名归入Russell 2000指数。指数每隔一年调整一次。本文考察第1000名左右处于Russell 2000指数断点处的样本（第3000名断点处情况类似）。由于指数是市值加权的，因而每年5月末市值排名刚好在1000名之下（第1001-1010名）的股票会受到大量买入，与之相对，排名刚好在1000名之上（第990-1000名）则几乎没有什么买入。实际上，Russell 2000指数中排名刚好在1000名之下的股票权重比Russell1000指数中排名刚好在1000名之上的股票权重大10倍。换句话说，每年5月末，股票市值是排在1000名之上还是之下是随机的，但受指数配置的影响，断点处的需求却有显著差异。比起以往用S&P500指数来研究指数效应，这个研究设计天然避免了内生性。
od 常用断点大全
拦截窗口： bp CreateWindow 创建窗口 bp CreateWindowEx(A) 创建窗口 bp ShowWindow 显示窗口 bp UpdateWindow 更新窗口 bp GetWindowText(A) 获取窗口文本 拦截消息框： bp MessageBox(A) 创建消息框 bp MessageBoxExA 创建消息框 bp MessageBoxIndirect(A) 创建定制消息框 拦截警告声： bp MessageBeep 发出系统警告声(如果没有声卡就直接驱动系统喇叭发声) 拦截对话框： bp DialogBox 创建模态对话框 bp DialogBoxParam(A) 创建模态对话框 bp DialogBoxIndirect 创建模态对话框 bp DialogBoxIndirectParam(A) 创建模态对话框 bp CreateDialog 创建非模态对话框 bp CreateDialogParam(A) 创建非模态对话框 bp CreateDialogIndirect 创建非模态对话框 bp CreateDialogIndirectParam(A) 创建非模态对话框 bp GetDlgItemText(A) 获取对话框文本 bp GetDlgItemInt 获取对话框整数值 拦截剪贴板： bp GetClipboardData 获取剪贴板数据 拦截注册表： bp RegOpenKey(A) 打开子健 bp RegOpenKeyEx 打开子健 bp RegQueryValue(A) 查找子健 bp RegQueryValueEx 查找子健 bp RegSetValue(A) 设置子健 bp RegSetValueEx(A) 设置子健 功能限制拦截断点： bp EnableMenuItem 禁止或允许菜单项 bp EnableWindow 禁止或允许窗口 拦截时间：
RD方法(regression-discontinuity-design)
RD方法（regression discontinuity design） ●什么是regression discontinuity design？下面将用一篇文章来介绍： 如何理解「由于使用燃煤取暖，中国 5 亿北方居民预期寿命将缩短 5.5 年」？ 7月8日发表在《美国国家科学院院刊》（PNAS）的一篇论文，向已经逐渐意识到空气污染危害的中国民众再次展现了残酷的现实：以淮河为界，烧煤供暖的中国北方地区空气污染水平高于中国南方，北方5亿居民因严重的空气污染，平均每人失去5年寿命。 这篇文章由清华大学的李宏彬、北京大学的陈玉宇和另外两位作者共同完成。前两位完成了这篇论文的主要部分。这个回答首先介绍他们的研究方法，再谈一谈研究者和媒体对这篇文章的引申。 ●科学家如何得出「使用燃煤取暖中国5亿北方居民预期寿命将缩短5.5年」这个结论的？ 首先要说的是这篇文章使用的RD方法（regression discontinuity design），即断点回归方法。断点回归方法是最近的政策评估中非常重要的一个方法，他可以在没有随机性的情况下识别出政策的效果。 在早期的研究中，要识别一个处理（Treatment）的效果，我们必须拥有随机性，比如两组随机分开的小白鼠，一组加上某种处理，一组没有处理，最后观察两者的区别。为什么我们那么需要随机性呢？因为研究的基础需要几组十分类似的群体，他们的任何特征都服从一个相同的分布，无论是性别、年龄、教育、健康程度……这样，我们才能确定几组对象之间出现的差别是来自于实验处理的差异，而非某些个人特征。从一个大样本中严格随机抽取的样本，正好满足这样的同分布假设。 但对于政策研究来说，我们不可能找到这样随机分开的两组人，而且也无法用实验的方法来获得结果——你能将随机分开的100人放在干净空气中，将另外100人放在肮脏空气中并观察一段时间吗？ 一些研究者面对这种缺乏随机性的情况，采用了增加控制变量的方式。比如，把性别年龄教育健康程度全部放进回归式中，然后声称，两组人之间由于性别年龄教育健康的不同而造成的差别都已经去掉了，剩下的就是这个政策的效果了。 可是，这很容易遭到批评，而且是没完没了的批评。为什么不控制工资高低？婚姻状况？从事行业？只要没有随机分开，任何特征变量的差异造成的结果，都可能混淆在政策结果中，你不控制这个变量，政策的效果就仍然没有识别干净。遭到批评的研究者只能继续加变量，没完没了的加变量。 更关键的是，前面说的还是可以量化的东西，努力程度？性格特征？甚至，智商？这些不可观测的变量可能影响更大。举一个例子，科学家想知道上了“一本”大学对学生未来的工资有什么影响。上了一本和没上一本的大学生，显然不是随机分开的两个群体。当然也没法用控制变量的方法来消除“一本”之外的影响，因为肯定有一些不可观测的变量是你控制不了的。控制变量法至此完败。
RD断点回归法
You jump, I will not jump!断点回归的连续性假设 断点回归RD是当代社会科学因果推断的最基本无害的大招之一。比如我们要研究上一本大学是否能提高一个人的工资，如果直接对比上了一本大学和没上一本大学群体的工资，可能会因为上一本大学的天生能力更强而得出有偏误的结论，而能力等不可观测变量无法控制。RD给我们提供了一个思想——观察一本线附近上下几分学生的工资。比一本线低2分、1分的人工资差距不大，高2分、1分的差距也不大，但比一本线低1分的和正好达线的工资上有个跳跃，那这个跳跃就是一本大学对工资的作用。一本线产生了一个天然的跳跃（两侧的人分别上一本和二本），如果在一本线两侧我们也看到了关注变量（工资）的跳跃，那么就识别了因果效应。 直觉上来看，RD的成立还需要一个关键假设：一本线产生了一个天然的跳跃，但一本线附近学生各特征不能有跳跃！否则就混淆了一本大学对工资的作用。这就是连续性假设。 1、断点回归背景介绍 Thistlethwaite and Campbell(1960)使用了RD方法后的40年，RD并没有在经济学中大规模使用，一大原因就是RD太像自然科学的随机实验了，太不像经济学传统方法了（比如上周我们BLUE_OLS读Black（1999）关于择校会使房价上升的论文（”Do better schools matter? Parental valuation of elementary education”），该文利用学区边界推断因果，应该说思想跟RD 很像，但没有按照RD框架来写，可能的原因是作者写作年代RD还并不流行）。直到Hahn, Todd, and van der Klaauw(2001)把RD纳入到了我们熟悉的“反事实因果推断”框架下，如下图（原文图2）。 我们把断点看成一种treatment，断点右侧的是处理组，断点左侧的是控制组。可以观测到处理后的处理组，和未处理的控制组。在离断点很近的区间里（图中是X＝2），控制组Y(0)观测不到的那段就可以作为处理组Y(1)观测到的那段的反事实，从而推断出因果效应。从这里能很清楚地看出“连续性假设”的重要性，如果违反连续性，就不能作为另一组的反事实。 但这里还存在两个难题：1.我们都知道连续性假设很重要，但该假设在经济学语言里很不传统，有点怪怪的。2.如果从“selection on observables”角度来看，我们通常的2个传统假设——ignorance（unconfoundedness）和overlap，在RD设计里，第一个假设天然满足，因为控制X后，断点两侧样本在是否处理上没有变差了（一侧D＝1，一侧D＝0）；但overlap 肯定不满足，没有交叠部分。从这个角度来看，我们需要增加连续性假设，用来补偿overlap 不能满足。RD是不是valid，就取决于这个连续性假设。 2怎样用经济学语言表述连续性假设？
物料断点管理流程
1 目的 致力于识别和控制在断点过程中的各种风险，减少断点过程中信息流失或者传递失误，提前做好预警和准备，避免顾客生产停线以及避免老零件过量生产及报废。 2 范围 适用于公司内外所需要断点的成品及与之相关的各类物料及工装模具等的管理和控制。 3 规范性引用文件 无 4 术语和定义 3.1 断点：由于客户车型停产、工程更改等原因需要对更改前的产品、材料和工装检具等管理和处置的控制时间点。 3.2 零件试生产（PTR）：新零件或修正过的零件投入到制造系统前的受控的先期试生产。 5 职责 5.1 市场营销部负责对内发布客户老产品的断点信息；向产品工程部传递客户工程更改信息,并负责与用户对断点费用进行清算。 5.2 生产物流部负责统计断点产品及与之相关的各类物料及工装模具的库存，负责安排PTR零件生产计划和生产PTR零件。 5.3 产品工程部负责释放工程更改信息，发放新工艺标准和操作指导书以及发放新的材料标准。 5.4质量保证部负责按照PTR要求进行原材料和成品的质量检验。 5.5 财务部负责对生产物流部的断点盘点清单和市场营销部的断点清算进行核实。 5.6相关部门负责调动本部门资源，给发起人和责任部门提供必要的支持。 6 管理内容和方法 6.1 工程更改信息的发布 6.1.1产品工程部收到市场营销部传递的顾客工程更改通知或启动公司内部工程变更后，应组织质量保证部、产品工程部、生产物流部、材料工艺部、采购部、市场营销部、装备环保部、车间等部门召开工程更改会议，通报工程更改的信息以及涉及到需要原材料变更、模具变更、设备变更等的信息。 6.1.2工程更改如果涉及到需要原材料的变更，则由采购部采购人员负责以电话、邮件或者传真的形式向供应商通报本公司产品工程更改的信息，要求供应商做好准备,不要过量生产。 6.1.3产品工程部在确定实施产品工程更改后，负责向质量保证部、生产物流部、材料工艺部、采购部、市场营销部、装备环保部、车间发布正式工程更改通知，上述部门做好配合。 6.1.4产品工程部没有发布正式断点通知前，公司相关部门和供应商不得启动零件断点流程，仍然严格按顾客需求计划或预测计划实施生产。
互助问答第190问 断点回归最优带宽问题
X 分组变量/参考变量； D 干预变量；Y 结果变量 局部随机化假设：假设在断点附近近似于完全随机化实验，即 具体的例子，比如高考成绩中 500 或 501 的考生上大学（进入处理组），而成绩为 498 或 499的考生落榜（进入控制组）。制度原因在 之间的考生进行了随机分组。 问题 1: 此处的可以认为就是带宽吗？ 问题 2：如何获得最优带宽？ 1. 主观设定 2. rdbwselect vote margin,all （图片一）图中 BW est.(h)和 BW bias(b)有些分不清，哪个是最优带宽？知道 mse 和 cer 是两种评价算法
3. rd depvar runvar （图片二）红色方框中分别是最优带宽、0.5 倍最优带宽和 2 倍最优带宽？ 4. rdrobust depvar rnvar,c(#) p(#) kernel(kernelfn)bwselect(bwmethod) [该命令后面部分废弃了吗，显示options IK, CCT and CV have been depricated]（图片三）红色方框中也是最优带宽吗？默认CCT，如何使用CV、IK 算法呢
问题1： 对，此处的可以认为是左带宽或右带宽。实际操作时，左右带宽可能不同。 问题2： 1.可以通过主观设定不同带宽来检验估计结果是否稳健。可以利用rd命令中的 bdep展示估计结果如何随带宽的变化而变化。 2.与h有关的是带宽估计，与b有关的是偏误（bias）估计。 3.对，分别为最优带宽、0.5倍最优带宽和2倍最优带宽。请注意此处最优带宽 的估计方法是rdbwselect中的IK算法。 4.我运行时没有问题，请参见下图（选择的是IK算法，CV算法也可以选择）。 可能需要更新命令程序包。
新冠疫情金融和人工智能企业的就业效应——基于断点回归分析
Service Science and Management 服务科学和管理, 2020, 9(4), 171-178 Published Online July 2020 in Hans. https://www.360docs.net/doc/bf5235452.html,/journal/ssem https://https://www.360docs.net/doc/bf5235452.html,/10.12677/ssem.2020.94023 Employment Effect of Financial and Artificial Intelligence Enterprises in the COVID-19 Epidemic —Based on Regression Discontinuity Design Wenxu Zhang, Juxiang He* School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing Received: Jun. 16th, 2020; accepted: Jul. 1st, 2020; published: Jul. 8th, 2020 Abstract This paper focuses on the outstanding performance of artificial intelligence technology in the new crown epidemic, and explores the employment impact mechanism of financial industry and artifi-cial intelligence industry under the impact of the new crown epidemic. It collected the number of recruitment which issued by 88 AI enterprises and financial enterprises from December 1, 2019 to March 20, 2020 as employment data. The regression discontinuity model was designed and estab-lished with January 21, 2020 as the discontinuity of the epidemic to explore the employment ef-fects of the new epidemic on the financial industry and AI industry. The results show that there is a significant employment decline discontinuity in the financial industry and no significant discon- tinuity in the employment of the artificial intelligence industry during the COVID-19 epidemic. Therefore, compared with the traditional financial industry, the artificial intelligence industry has a better stabilizing effect on employment in the COVID-19 epidemic. Keywords COVID-19 Epidemic, Artificial Intelligence, Financial, Employment, Regression Discontinuity 新冠疫情金融和人工智能企业的就业效应 ——基于断点回归分析 张文绪，何菊香* 北京邮电大学，经济管理学院，北京 *通讯作者。
附录：程序的调试(单步执行与断点法)
附录：程序的调试（单步执行与断点法） 1单步执行 任何一个天才都不敢说，他编的程序是100%正确的。几乎每一个稍微复杂一点的程序都必须经过反复的调试，修改，最终才完成。所以说，程序的调试是编程中的一项重要技术。我们现在就来掌握一下基本的程序调试。我们以下的示范，是以时下比较流行的Borland Pascal 7.0为例子，其他的编程环境可能略有不同，但大致上是一致的。 我们先编一个比较简单的程序，看看程序是如何调试的。program tiaoshi; var i:integer; begin for i:=1 to 300 do
begin if i mod 2 = 0 then if i mod 3 = 0 then if i mod 5 = 0 then writeln(i); end; end. 该程序是输出300以内同时能被2，3，5整除的整数。现在我们开始调试。调试有多种方法，先介绍一种，权且叫步骤法，步骤法就是模拟计算机的运算，把程序每一步执行的情况都反映出来。通常，我们有F8即STEP这个功能来实现，如图：不断地按F8，计算机就会一步步地执行程序，直到执行到最后的“end.”为止。
可能你还没有发现F8的威力，我们不妨把上面的程序略微修改一下，再配合另外的一种调试的利器watch，你就会发现步骤法的用处。 program tiaoshi; var i:integer; a,b,c:boolean; begin for i:=1 to 300 do begin a:=false; b:=false; c:=false; if i mod 2 = 0 then a:=true; if i mod 3 = 0 then b:=true; if i mod 5 = 0 then c:=true; if a and b and c then writeln(i); end; end. 如图，我们单击菜单栏中debug选项，里面有一项叫watch的选项，我们单击它。
让跳跃更有意义：断点回归设计(RDD)
& 让“跳跃”更有意义：断点回归设计(RDD)在一个高度依赖规则的世界里，有些规则的出现十分随意，这种随意性为我们提供了性质良好的实验（Angrist& Pischke，2009）。断点回归设计（RegressionDiscontinuity Design）是一种仅次于随机实验的能够有效利用现实约束条件分析变量之间因果关系的实证方法。Lee（2008）认为在随机实验不可得的情况下，断点回归能够避免参数估计的内生性问题，从而真实反映出变量之间的因果关系。 断点回归方法首先是由美国西北大学心理学家Campbell于1958年提出的；并与1960年，与 Thistlethwaite正式发表了第一篇关于断点回归的论文，提出断点回归是在非实验的情况下处理处置效应（Treatment Effects）的一种有效的方法，主要应用于心理学和教育学领域。1963年，Campbell and Stanley为断点回归提供了更加清晰化的概念，但由于当时还缺乏严密的统计证明，加之IV 方法在处理内生性的思路和范式上具有更广阔的适用范围，因此在随后的几十年间，RD 方法一直没有得到经济学者的重视。直到上世纪90 年代末，随着该方法的理论基础得到进一步发展，大量经济学文献才开始使用RD 方法对变量之间的因果关系进行识别。 断点回归可以分为两类，一类是模糊断点回归（Fuzzy RD），另一类是清晰断点回归(Sharp RD)。清晰断点回归可以看作是一种基于可观察变量进行的选择 （selection-on-observablesstory），而模糊断点回归则常被视为一种工具变量的方法（instrumental-variables-type）。 清晰断点回归(Sharp RD)
程序调试常用断点
网络验证断点： bp send bp recv bp connect bp WSASend bp WSARecv 拦截窗口： bp CreateWindow 创建窗口 bp CreateWindowEx(A) 创建窗口 bp ShowWindow 显示窗口 bp UpdateWindow 更新窗口 bp GetWindowText(A) 获取窗口文本 拦截消息框： bp MessageBox(A) 创建消息框 bp MessageBoxExA 创建消息框 bp MessageBoxIndirect(A) 创建定制消息框 bp IsDialogMessageW 拦截警告声： bp MessageBeep 发出系统警告声(如果没有声卡就直接驱动系统喇叭发声) 拦截对话框： bp DialogBox 创建模态对话框 bp DialogBoxParam(A) 创建模态对话框 bp DialogBoxIndirect 创建模态对话框 bp DialogBoxIndirectParam(A) 创建模态对话框 bp CreateDialog 创建非模态对话框 bp CreateDialogParam(A) 创建非模态对话框 bp CreateDialogIndirect 创建非模态对话框 bp CreateDialogIndirectParam(A) 创建非模态对话框 bp GetDlgItemT ext(A) 获取对话框文本 bp GetDlgItemInt 获取对话框整数值 拦截剪贴板： bp GetClipboardData 获取剪贴板数据 拦截注册表： bp RegOpenKey(A) 打开子健 bp RegOpenKeyEx 打开子健 bp RegQueryValue(A) 查找子健 bp RegQueryValueEx 查找子健