回归断点设计（Regression Discontinuity Design，RDD）是一种在非实验环境中估计处理效应的研究方法，最早由Donald L. Thistlethwaite和Donald T. Campbell于1960年提出。这种设计的核心在于利用一个观察到的“分配”变量（也称为“强制”变量或“运行”变量）是否超过已知的临界点来决定处理（如政策、项目等）的分配。Thistlethwaite和Campbell在其最初的RDD应用中研究了奖学金对学术成果的影响，他们以考试分数作为分配依据，认为分数刚好低于阈值（未获得奖学金）的个体与刚好高于阈值（获得奖学金）的个体是良好的比较对象。
RDD设计的关键在于假设在临界点附近，处理效应是连续的，但处理本身在阈值两侧是不连续的。这样，可以通过比较临界点附近的观测值来估算处理效果。这种方法的吸引力在于，它提供了一种在缺乏随机分配的情况下近似控制组的方法，因此可以更准确地评估因果效应。
自从1990年代末以来，RDD设计在经济学领域的应用逐渐增多，被用于各种经济环境中的项目效果估计。例如，Wilbert van der Klaauw（2002）利用教育机构设定的门槛规则来评估经济援助对教育成果的影响，而Joshua D. Angrist和Victor Lavy（1999）则通过RDD设计研究了班级规模对教育成果的影响。Sandra E. Black（1999）则利用地理层面的断点（如学区边界）来研究教育政策的效果。
RDD设计的有效性取决于经济激励结构以及数据的质量。如果个体有动机改变其分配变量以跨越阈值（比如，学生可能为了获得奖学金而努力提高分数），那么RDD设计可能会失效，因为这种行为会破坏处理分配的连续性。此外，RDD设计的成功还依赖于断点处的数据密度和处理效应的局部线性性假设，即处理效应在阈值附近的变化应该是线性的。
在实际应用中，研究人员需要注意以下几点：选择合适的阈值至关重要，它应足够接近处理的决定性边界，以便在两边进行有效的比较；需要检查处理变量和结果变量是否存在跳跃，以及这种跳跃是否仅限于处理变量；为了提高估计的精度，通常需要进行敏感性分析，检验假设的连续性是否对结果有显著影响。
RDD设计的一个优势是它提供了一种半实验的方法，可以减少内生性问题，并且不需要严格的随机化。然而，这种方法也有其局限性，如可能存在的局部外推问题，以及对于阈值附近的异常值或异质性敏感。因此，在使用RDD时，需要谨慎考虑这些因素，并结合其他研究方法，如匹配、工具变量或断点回归距离方法，来增强分析的稳健性。
RDD设计是经济学中一种强大的工具，尤其适用于评估基于阈值的政策或项目的效应。随着越来越多的研究者采用这种方法，RDD在实证经济学中的应用范围不断扩大，为理解和评估现实世界中的经济干预提供了宝贵的洞察。
