Lee 和 Lemieux (p. 31, 2009) 建议研究人员在进行回归不连续设计分析 (RDD) 时呈现图表。他们建议以下程序：
“...对于一些带宽，以及分别在截止值的左侧和右侧的一些 bin和 ，我们的想法是构造 bin ( , ]，对于 + , 其中 "
c=cutoff point or threshold value of assignment variable
h=bandwidth or window width.
...然后比较截止点左侧和右侧的平均结果...”
..在所有情况下，我们还显示了在截止点的每一侧分别估计的四次回归模型的拟合值...（同一篇论文的第 34 页）
我的问题是我们如何编程该程序Stata或R绘制结果变量与分配变量（带置信区间）的图表以用于尖锐的 RDD。这里和这里Stata提到了一个示例示例（将 rd 替换为 rd_obs）和一个示例示例在这里。但是，我认为这两个都没有实现步骤 1。请注意，两者都有原始数据以及图中的拟合线。R
没有置信度变量的示例图 [Lee and Lemieux,2009]
提前谢谢你。
这与做两个 2 次局部多项式有很大不同吗，一个用于低于阈值，一个用于高于阈值，平滑积分？以下是 Stata 的示例：
use votex // the election-spending data that comes with rd
tw
(scatter lne d, mcolor(gs10) msize(tiny))
(lpolyci lne d if d<0, bw(0.05) deg(2) n(100) fcolor(none))
(lpolyci lne d if d>=0, bw(0.05) deg(2) n(100) fcolor(none)), xline(0) legend(off)
或者，您可以将 lpoly 平滑值和标准误差保存为变量，而不是使用twoway. 以下是垃圾桶，是平滑的平均值，是标准误，并且和是平滑结果的 95% 置信区间的上限和下限。
lpoly lne d if d<0, bw(0.05) deg(2) n(100) gen(x0 s0) ci se(se0)
lpoly lne d if d>=0, bw(0.05) deg(2) n(100) gen(x1 s1) ci se(se1)
/* Get the 95% CIs */
forvalues v=0/1 {
gen ul`v' = s`v' + 1.95*se`v'
gen ll`v' = s`v' - 1.95*se`v'
};
tw
(line ul0 ll0 s0 x0, lcolor(blue blue blue) lpattern(dash dash solid))
(line ul1 ll1 s1 x1, lcolor(red red red) lpattern(dash dash solid)), legend(off)
如您所见，第一个图中的线条与第二个图中的线条相同。
这是一个固定的算法。Calonico、Cattaneo 和 Titiunik最近提出了一种稳健的带宽选择程序。他们为 Stata 和 R实现了他们的理论工作，它还带有一个 plot 命令。这是R中的一个例子：
# install.packages("rdrobust")
library(rdrobust)
set.seed(26950) # from random.org
x<-runif(1000,-1,1)
y<-5+3*x+2*(x>=0)+rnorm(1000)
rdplot(y,x)
这会给你这个图表：
