研究说了什么
断点回归利用一条人为阈值：阈值一侧接受处理，另一侧不接受，而两侧个体在阈值附近近似可比。识别依赖两个条件，一是分配变量不能被精确操纵，二是结局在阈值处除处理外没有跳跃。操纵检验用 McCrary 密度检验看阈值附近样本是否异常堆积，也看协变量在断点处是否连续。带宽选择是核心：窗口越宽样本越多、方差越小，但远离阈值的个体与阈值处的人差异更大，偏倚上升；窗口越窄偏倚小，方差却迅速膨胀。常用 Imbens-Kalyanaraman 最优带宽、Calonico-Cattaneo-Titiunik 的偏差校正与稳健置信区间，后者在实操中更常见。多项式阶数不宜过高，Gelman 与 Imbens 建议最多二阶，高阶多项式会在边界处产生剧烈摆动。局部线性回归配合三角核是较稳的默认设置，还应报告多个带宽下的结果，看结论是否随窗口变化而翻转。模糊断点则要估计概率跳跃，把处理概率的变化作为分母，估计的是依从者的局部效应。
为什么重要
很多抗衰相关的暴露都有硬阈值：体重指数的分级、血压的诊断切点、养老金领取年龄、医保报销的年龄线、慢病管理的纳入标准。阈值制造了近似随机，让研究者能回答「刚好跨过这条线的人，后来怎样」。例如用 60 岁或 65 岁的退休资格线估计退休对认知与运动量的影响，用体重指数 30 的诊疗路径估计减重手术的长期结局。对读者，这类研究的说服力来自一个直观画面：阈值两侧的人在其他方面几乎一样。它的局限也同样直观：结论只适用于阈值附近的人，离阈值很远的人不能外推。另一个实际价值是评估指南阈值本身，如果阈值两侧结局连续变化，说明切点可能定得随意。在药物审批与医保准入中，阈值两侧的处方差异也能被用来估计早期用药的真实世界效果，而不必等待长期随访。带宽的选择还直接影响政策含义：窗口越窄结论越局部，越难直接支撑全国性指南，作者因此常同时报告两套结果，一套窄窗求内部效度，一套宽窗求外部相关性。若阈值两侧的样本量差异极大，窄带宽一侧可能只剩几十人，此时报告效应不如报告样本构成更有意义。
证据与边界
带宽的选择直接决定结论，而最优带宽依赖结局的曲率，曲率估计本身有误差，所以单一带宽的结果不够。稳健做法是报告三到五个带宽、不同核函数与不同多项式阶数下的估计，并给出偏差校正后的置信区间。操纵是致命威胁：如果医生在血压 139 时就开始干预，140 这条线两侧的人已经不可比，密度检验未必能发现，因为操纵可能发生在测量环节。断点处的测量误差也会制造假跳跃，比如体重被四舍五入到整公斤，阈值附近出现堆积。另一个边界是局部性，断点回归估计的是阈值处的处理效应，不能直接推到全人群，政策意义因此有限。一个典型失败案例是用体重指数 25 作为切点研究代谢药物效应，但临床在 24 附近已开始生活方式干预，切点两侧的处方行为并无真正断点。另一个常见问题是协变量在断点处不连续，比如低收入地区恰好集中在阈值一侧，此时跳跃可能来自地区差异而非处理。看到断点回归，先看密度检验、协变量连续性与带宽敏感性。另一个常被忽略的细节是分配变量的测量精度，血压取整、体重四舍五入都会让阈值附近的人错位。