**历史背景。**近年来，BNPL（Buy Now Pay Later）已成为金融科技整合到零售中的标准，有允许用户分期付款而不收取利息。分析师面临一个根本性的问题：由于伦理和法律原因，拒绝信用审批是不可能的，用户根据信用状况自行选择。这创造了经典的内生性，当BNPL的使用与高消费额之间的观察相关性是由支付能力客户的先前特征决定，而不是产品本身。
**问题的提出。**主要挑战包括在审批门槛（例如700分）边界的特征差异、季节性（黑色星期五、节前时期）、未来销售的蚕食（intertemporal substitution）以及由于冲动购买而导致的退货增加。需要隔离“边界”审批用户的净增量效应（LATE - Local Average Treatment Effect），以最小化混杂因素的影响。
详细解决方案。最佳方法是Sharp Regression Discontinuity Design（RDD）在评分门槛的±30-50分范围内。该方法论依赖于局部随机性的假设：695分和705分的用户在可观察和不可观察的特征上统计上不可区分，但落入不同的组（控制组和处理组）。此外，Difference-in-Differences（DiD）用于跟踪在该区间内实施前后的动态，以控制季节性。用于评估蚕食的事件研究（Event Study）使用滞后（在使用BNPL之前的t-3、t-2个月）。如果有可用的工具（审批门槛），但存在不合规（已批准但未使用BNPL），则使用Fuzzy RDD通过Two-Stage Least Squares（2SLS）。重要的是检查协变量平衡（Covariate Balance Tests）和分布密度（McCrary test）以验证设计。
一家电子产品市场整合了银行合作伙伴的BNPL，审批门槛为650分。业务记录显示，使用BNPL的用户平均消费额增长了35%，但怀疑这是因为更富裕客户的自我选择。必须做出扩展信用额度的决定，但需要评估真实的因果效应。
选项1：简单对比“使用BNPL”与“未使用”而不考虑门槛。 优点：在SQL中实现简单，不需要复杂的统计。 缺点：选择偏差（selection bias）严重——被批准的用户的收入和购买历史更高，这导致对效果的评估高估到+40%，与产品无关。结果不适合决策。
选项2：对所有受众的前后分析，而不分组。 优点：考虑到了平台整体增长趋势，易于解释。 缺点：无法分隔BNPL的效果与季节性高峰（假期销售）和同时进行的营销活动。评估由于需求的时间冲击而存在偏差。
选项3：在650分的门槛上进行Regression Discontinuity Design（RDD），范围±40分。 优点：利用审批概率的急剧变化作为自然实验，评估“边缘”用户的效果，这些用户“勉强”通过或未通过门槛。控制无法测量特性的地方邻域。 缺点：仅评估局部效应（LATE），不能无条件地外推到所有高评分用户；在门槛附近需要大样本以确保统计能力。
选择的解决方案：在610-690分的用户中结合Sharp RDD和基于历史消费和购买类别的Propensity Score Matching，以及Difference-in-Differences用于跟踪购买后的90天动态。为了控制季节性，引入了按周的固定效应（Week Fixed Effects）。这使得能够隔离产品的净效应与借款人特征的影响。
**最终结果：**发现边际用户的平均消费额统计上显著增长17%（ITT - Intent-to-Treat），但退货率因冲动购买增长了11%。该效应呈现出异质性：对于电子产品较高（+24%），对于日化产品为零。根据数据调整了风险商品的审批门槛，减少了退货率4%而没有降低收入。
在使用RDD时，如何区分“新奇效应”（novelty effect）与使用后的行为变化？
需要进行Dynamic RDD，分析不同时间段的效应（cohort-level RDD）。分别评估第1-2周（新奇）和第3-6个月（持续行为）的效应。如果系数显著不同（通过Chow test进行检验），则只使用长期窗口或引入与处理的时间交互。同时要检查pre-trend parallel — 在跨越门槛之前的支出没有断裂，这将确认设计的有效性，并且没有anticipation effects。
在实施BNPL时，如何正确评估未来销售的蚕食（intertemporal substitution）？
标准RDD仅评估购买时的静态效应。为了评估蚕食，构建事件研究与关于BNPL首次使用时间的滞后和先导（leads/lags）相对。分析在t-3、t-2、t-1（之前）和t+1、t+2、t+3（之后）个月的支出。如果先导的系数总和为负且显著，这表明从未来借用（用户计划购买并通过BNPL加速）。使用Jordà的Local Projections方法来评估长期的净增量效应。
为什么在这种情况下不能仅使用基于倾向评分的简单匹配（Propensity Score Matching）而不使用RDD，并且违反了哪些假设？
PSM需要假设Unconfoundedness（Ignorability），但在存在影响审批的不可测量特性（例如，“财务纪律”、非正式收入来源，未纳入评分）情况下是不可行的。这些潜在变量与批准和支出相关，造成偏差。RDD将这些要求减轻到在门槛附近的局部随机性（Local Randomization），在此，无法测量特性被随机分布。候选人常常忽略在门槛附近检查信用评分分布密度（McCrary test）和协变量平衡（Covariate balance tests）的必要性，这对结论的有效性至关重要。