用途：面向学术与实证研究，提供断点回归设计（RDD）的完整分析流程。RDD利用连续“驱动变量”X上的已知阈值c决定处理分配，阈值两侧单位除处理外各维度可比。
主要能力：区分精确RDD（T_i=1若X_i≥c，否则为0，估计量为断点处的平均处理效应τ_SRD）与模糊RDD（跨越阈值提高处理概率，用作工具变量，估计量为断点处LATE）。覆盖完整工作流：第一步可视化断点，绘制分箱散点图（Python matplotlib、R rdplot、Stata rdplot）；第二步带宽选择（IK或CCT最优带宽，rdbwselect）；第三步主估计（三角核、局部线性，rdrobust）；第四步有效性检验，包括McCrary密度/操纵检验（rddensity）、协变量平衡安慰剂检验、安慰剂阈值检验、带宽敏感性（最优带宽50%–150%）；模糊RDD通过fuzzy参数调用。还包含报告规范（顺序、论文句式模板）与常见陷阱：避免高阶全局多项式过拟合、必须展示分箱散点图、重视操纵检验、报告多带宽敏感性、不向远离阈值处外推。
使用方式：以Python、R、Stata代码调用上述函数，如rdrobust(y, x, c=cutoff, kernel='triangular', p=1)、rdbwselect、rddensity等；相关命令/diagnose、/robustness、/plot。适用场景：存在明确阈值决定处理的研究设计。限制：识别依赖连续性假设、无精确操纵、无其他断点；估计仅在阈值处有效。扩展主题（地理RDD、kink设计、donut-hole、离散驱动变量、多阈值RDD）见references/rdd-reference.md。