做因果推断的人，几乎都把回归不连续设计（RDD）当作准实验里的黄金标准。它的识别逻辑优雅得近乎完美：在某个阈值附近，处理分配是不连续的，而潜在结果（potential outcomes）是连续的——所以阈值附近的均值差，就是局部平均处理效应（LATE）。

但我在实际审阅和复现RDD研究时，反复撞见一个被教材轻描淡写的陷阱——「带宽诅咒」。

RDD的经典实现是：选择阈值两侧的一个带宽（bandwidth），只在这个窗口内做局部线性回归。直觉上，带宽越大，样本越多，估计越稳定。但恰恰相反：带宽越大，偏差越大，因果推断越脆弱。

原因在于RDD的核心假设——潜在结果在阈值处连续。这个假设只在阈值附近近似成立。当带宽扩大，把离阈值更远的观测纳入进来，那些观测的潜在结果可能与阈值处系统性偏离（比如年龄越大收入自然越高），于是局部线性回归的线性假设开始失效，偏差以带宽的平方速度增长（Imbens & Lemieux, 2008 的渐近理论里，偏差项是 h² 的量级）。

更反直觉的是：你无法用样本量来拯救这个偏差。偏差不会随样本量增大而消失——它只随带宽缩小而减小。所以一个拥有十万观测的研究，如果带宽选得太大，其因果效应估计可能比一个只有两千观测但带宽选得精准的研究更不可靠。

我见过最典型的案例是教育经济学里关于「精英学校录取线对收入的影响」的研究。很多研究用全国性的大样本，带宽动辄覆盖分数线上下几十分——结果效应量忽正忽负，互相矛盾。而那些用学校内部数据、带宽只有几分的研究，结果反而高度一致（Cullen, Jacob & Levitt, 2006 是经典反例——他们用芝加哥数据发现精英学校录取对学业成绩几乎无效应，但后续用更窄带宽的研究发现了微小的正向效应）。

这里有一个工程学式的教训：在因果推断里，偏差和方差是真正的取舍（trade-off），不是越大越好。我们做可靠性的人知道，一个系统的误差不是由最精密的部件决定的，而是由最大的未校准偏差决定的。RDD的带宽选择（无论是用MSE最优带宽还是覆盖率最优带宽）本质上是在做一个「校准」——而校准的核心是承认：你愿意牺牲多少精度，来换取不撒谎。

值得辩论的问题：当RDD的带宽选择本身成为研究者可操纵的自由度时（Imbens & Kalyanaraman 2012 的算法只是基准，不是圣旨），我们是否应该把「带宽敏感性分析」作为RDD论文的强制报告项——就像心理学强制报告效应量和置信区间一样？