71_群聚分析与断点回归

群聚分析与断点回归

群聚分析（Bunching Analysis）利用个体在政策阈值附近的聚集行为来估计政策效应，与断点回归（RDD）有密切联系。

---

一、研究背景

什么是群聚？

当政策在某个阈值处产生激励变化时，个体会调整自己的行为向阈值靠拢，导致在阈值附近出现密度跳跃。

典型案例

• 税收：收入在起征点附近出现群聚
• 教育：考试成绩在及格线附近出现群聚
• 环境规制：排放量在标准限值附近出现群聚
• 最低工资：工资分布在新最低工资处出现群聚

---

二、群聚与 RDD 的关系

共同点

特征	RDD	Bunching
利用阈值	是	是
局部识别	是	是
非参数方法	是	是

区别

特征	RDD	Bunching
识别来源	阈值处的处理跳跃	阈值处的密度变化
数据要求	结果变量	运行变量分布
直觉	比较阈值两侧	观察群聚行为

---

三、群聚的类型

1. 支配型群聚（Dominated Bunching）

• 个体在阈值一侧的收益严格大于另一侧
• 所有能够达到阈值的个体都会群聚

2. 优化型群聚（Optimizing Bunching）

• 个体在阈值处面临边际激励变化
• 部分个体调整行为向阈值靠拢

3. 缺口型群聚（Notch Bunching）

• 阈值处存在"缺口"（不连续区域）
• 个体无法在缺口区域内选择

---

四、估计方法

基本步骤

1. 估计反事实分布：用多项式拟合没有政策时的密度分布
2. 计算群聚程度：比较实际分布与反事实分布在阈值处的差异
3. 估计弹性：根据群聚程度推断行为反应

公式

$b = \frac{\int_{z^*}^{z^*+\Delta z} h(z) dz}{h(z^*)}$

其中 $b$ 是群聚程度，$h(z)$ 是密度函数。

---

核心要点

1. 群聚分析利用个体在阈值附近的聚集行为估计政策效应
2. 与 RDD 共享局部识别和非参数特征
3. 区分支配型、优化型和缺口型群聚
4. 核心是估计反事实分布并计算群聚程度