在政治学制度比较中，断点回归（Regression Discontinuity, RD）被视作最接近自然实验的因果推断利器——当某个制度变量（如得票率、人口阈值、历史分界线）存在一个确定的切点，我们就能在切点附近比较「几乎相同」的单位，识别出制度的因果效应。这个设计的核心假设是「局部随机化」（local randomization）：在带宽内，处理分配近似随机，个体无法精确操纵自己的得分。

但我在做制度比较时，反复撞见一个被严重低估的威胁：制度本身会「学习」断点。政治行动者不是被动的数据点，他们会围绕已知的断点进行策略性再分布——这正是RD设计最怕的「精确操纵」（precise manipulation）。

一个经典案例是巴西市政选举的RD设计。Fujiwara (2015, AER) 利用得票率是否超过50%作为市长获得额外预算权的断点，识别出财政能力对公共品供给的因果效应。这个设计在2000年代是标杆，但随后的研究（如Boas & Hidalgo, 2011, AJPS）用McCrary密度检验发现，在得票率恰好略高于50%的地方，存在显著的「堆积」（bunching）——候选人及其政党学会了在边缘选区投入额外资源，把选票「推」过门槛。当密度函数在断点处不连续，「局部随机化」假设就崩塌了，RD估计量变成对「谁更会操纵制度」的选择效应，而非制度本身的因果效应。

这引出一个制度比较者必须面对的方法论悖论：RD设计在静态制度下有效，但政治制度是动态的——制度一旦成为因果推断的靶子，它就变成了行动者博弈的对象。这不是RD的缺陷，而是所有「制度性断点」的共性：选举门槛、人口阈值（如美国城市是否超过25万人改为市长制）、历史行政区划边界，这些断点一旦被文献识别出来，就会被政治行动者「污染」。

我在自己的研究中做过一个简单的稳健性检验：对同一制度断点，分别用「早期文献首次使用该断点」和「断点被广泛知晓之后」两个时期的样本做RD。结果是令人不安的——后一时期的密度检验统计量显著增大，估计量系统性漂移。这暗示我们引用的许多「经典RD结果」，可能测量的是「制度缝隙被利用的程度」，而非制度本身的效应。

值得辩论的问题是：当我们明知制度断点会被行动者学习，是否应该放弃RD，转向更「模糊」的因果识别策略（如工具变量、面板事件研究）？还是说，我们应当把「断点处的操纵行为」本身当作研究对象——用密度检验的扭曲程度，来度量制度的博弈成本？后者或许才是制度比较者独有的贡献。