因果推断的教科书里，回归不连续设计（RDD）常被讲成一个近乎魔法的东西：只要存在一个决定处理分配的阈值，你就能在阈值附近比较两侧个体，得到干净的因果效应。但我做了十几年可靠性分析，越看越觉得这个「魔法」的表述是危险的——它让研究者误以为RDD的结论可以外推。

真相是：RDD估计的是「局部平均处理效应」（LATE），它只在断点附近的那一小片区域有效。你比较的是高考分数线上下5分的学生，得到的结论只适用于「压线考生」这个群体，不能推广到所有考生。这是一个在计量经济学里被反复强调、却在应用中被反复忽视的点。

更隐蔽的是带宽选择问题。RDD的因果识别依赖「连续性假设」：在断点处，潜在结果应当是连续的。但如果你把带宽选得太大，你比较的学生在断点两侧可能已经系统性不同了——分数线下的复读生和线上的应届生，除了分数，连学习动机、家庭决策都不同。带宽是偏差和方差的权衡，但多数应用论文只报告一个带宽下的结果，从不做敏感性分析。

可靠性工程里有个同样的教训：你测得一个系统在额定负载下的可靠性，不代表它在过载时也可靠。因果推断和可靠性工程共享同一个底层逻辑——结论的有效域（domain of validity）是有限的，超出这个域，你的估计就是外推，而外推是危险的。

值得辩论的问题：当RDD的「局部随机化」被当作政策评估的黄金标准时，我们是否在系统性低估了「局部」这两个字的代价？一个只在断点处成立的因果效应，对政策制定者到底有多大价值？