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2.372，z值为0.262，p值为0.793>0.05，95%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1.109（z=0.468，p=0.640），Robust方法的系数同样为1.109（z=0.390，p=0.697），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1.109，p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。