Regressions-Diskontinuitätsdesign: Logik und Grenzen
Verstehe Treatment-Zuweisung am Schwellenwert, Kontinuität, scharfes und unscharfes RDD, lokale lineare Regression, Bandbreitenwahl, Manipulationsdiagnostik und finanzielle Anwendungen von Schwellenwerten
Kurzantwort
Ein Regressions-Diskontinuitätsdesign nutzt eine Regel, die die Treatment-Wahrscheinlichkeit sprunghaft verändert, wenn eine Laufvariable wie Score, Größe oder Verhältnis einen bekannten Schwellenwert überschreitet. Sind unbehandelte potenzielle Ergebnisse an diesem Schwellenwert kontinuierlich und können Einheiten ihren Score nicht präzise manipulieren, kann der Ergebnissprung knapp oberhalb gegenüber knapp unterhalb einen lokalen kausalen Effekt identifizieren. Das Ergebnis gilt für Einheiten nahe dem Schwellenwert und kann empfindlich auf Bandbreite, funktionale Form und andere Regeln reagieren, die sich an derselben Grenze ändern.
Eine Zuweisungsregel erzeugt den Vergleich
Eine Regel, die Einheiten behandelt, sobald die Laufvariable R den Schwellenwert c erreicht, ändert den Treatment-Status an der Grenze für Einheiten mit nahezu identischem R.
Wenn sich beobachtete und unbeobachtete Merkmale in der Nähe von c glatt bewegen und nur das Treatment springt, bilden Einheiten auf beiden Seiten lokale Vergleiche.
RDD erfordert einen extern definierten diskontinuierlichen Zuweisungsmechanismus und nicht lediglich eine beliebige nichtlineare Beziehung zwischen Ergebnis und Regressor.
Kontinuität verbindet das kontrafaktische Ergebnis
Kontinuität der bedingten Mittelwerte behandelter und unbehandelter potenzieller Ergebnisse bei c bedeutet, dass das Ergebnis an der Grenze ansonsten nicht springen würde.
Der beobachtete Ergebnissprung kann daher lokal dem Treatment zugeschrieben werden, wenn sich alle anderen Ergebnisdeterminanten glatt entwickeln.
Wenn ein anderes Programm, ein Steuersatz, eine Offenlegungspflicht oder ein Anreiz am selben Schwellenwert wechselt, kann ein einzelner Sprung kein einzelnes Treatment isolieren.
Scharfes und unscharfes Design identifizieren unterschiedliche Effekte
Beim scharfen RDD schaltet die Regel das Treatment vollständig von null auf eins, sodass der Ergebnissprung einen lokalen durchschnittlichen Treatment-Effekt bildet.
Beim unscharfen RDD verändert der Schwellenwert nur die Treatment-Wahrscheinlichkeit; der Ergebnissprung geteilt durch den Sprung der Treatment-Wahrscheinlichkeit liefert einen lokalen Effekt vom Typ einer Instrumentvariablen.
Ein kleiner Sprung in der ersten Stufe macht ein unscharfes RDD zu einem Weak-Instrument-Problem mit großer Unsicherheit und möglicherweise nichtstandardmäßiger Inferenz.
Lokale Anpassung erfordert eine Bandbreitenwahl
Analysten passen häufig auf jeder Seite lokale lineare oder Polynome niedriger Ordnung an und schätzen die Differenz zwischen den Achsenabschnitten an der Grenze.
Eine enge Bandbreite verringert den Bias durch die funktionale Form, verliert aber Beobachtungen und Präzision; eine breite Bandbreite erhöht die Präzision und zugleich den Bias durch entfernte Daten.
Ein einziges globales Polynom hoher Ordnung kann Grenzschätzungen und Intervalle instabil machen. Das spricht für lokale Methoden und Sensitivitätsprüfungen der Bandbreite.
Manipulation und Klassifikation gefährden die Identifikation
Wenn Einheiten R präzise anpassen, um sich zu qualifizieren, sind latente Merkmale möglicherweise nicht mehr kontinuierlich über den Schwellenwert hinweg und der lokale Vergleich bricht zusammen.
Diagnostiziere ungewöhnliche Sprünge in der Dichte, Diskontinuitäten in vorbestimmten Kovariaten und fehlende Beobachtungen, wobei die Nicht-Zurückweisung keinen Beweis für Validität liefert.
Ein gerundetes oder diskretes R kann nahe c zu wenige Stützstellen für kontinuierliche Approximationen und Standardinferenz haben; zeige seine Stützstellen daher ausdrücklich.
Finanzielle und buchhalterische Schwellenwerte zerlegen
Regeln zur Indexaufnahme, regulatorische Kapitalbänder, Kredit-Score-Grenzen, größenabhängige Offenlegungspflichten und Covenant-Schwellenwerte können geeignete Designs erzeugen.
Relative Ranglisten, angekündigte Kriterien und Ermessensspielraum bei gemeldeten Buchhaltungswerten erhöhen die Bedenken über präzise Manipulation und Reaktionen auf das Gleichgewicht.
Wenn das Überschreiten eines Schwellenwerts gleichzeitig Liquidität, Überwachung, Kapitalflüsse und Regulierung verändert, schätzt das Design den Effekt dieses Bündels und nicht eines einzelnen Wirkungswegs.
Der Effekt ist lokal am Schwellenwert
RDD kann an der Grenze eine starke interne Validität bieten, verallgemeinert sich aber nicht automatisch auf weiter entfernte Unternehmen oder ein anderes Marktregime.
Das Zusammenlegen mehrerer Schwellenwerte oder Zeiträume erfordert zusätzliche Annahmen, dass Treatment, Bedeutung der Laufvariable, Preisniveau und Teilnehmer vergleichbar bleiben.
Wenn die Politik einen Effekt für die gesamte Population braucht, ergänze die lokale Schätzung um separate Evidenz oder eine Struktur, die externe Validität unterstützt.
Diagramme und Sensitivität gemeinsam berichten
Zeige gruppierte Rohdaten ohne übermäßiges Verbergen, separate Anpassungen auf beiden Seiten, Beobachtungszahlen und die Unterstützung der Laufvariable.
Berichte Schätzungen über Bandbreiten, Polynomordnungen, Kerne, bias-korrigierte Inferenz, Donut-Ausschlüsse und Kovariatenentscheidungen hinweg.
Beschreibe Zuweisungsregel, gleichzeitige Schwellenwerte, Manipulationsmöglichkeiten, scharfe oder unscharfe erste Stufe und die repräsentierte lokale Population.
Häufige Fragen
Ist jede sichtbare Unterbrechung in einer Regressionslinie ein RDD?
Nein. Eine vorab bestimmte Laufvariable und ein Schwellenwert müssen die Treatment-Wahrscheinlichkeit diskontinuierlich verändern, bevor das Ergebnis betrachtet wird.
Was ist der Unterschied zwischen scharfem und unscharfem RDD?
Eine scharfe Zuweisung bestimmt das Treatment vollständig; eine unscharfe Zuweisung verändert seine Wahrscheinlichkeit, sodass der Ergebnissprung mit der ersten Stufe skaliert werden muss.
Beweist ein nicht zurückgewiesener Dichtetest, dass keine Manipulation vorliegt?
Nein. Er diagnostiziert bestimmte Muster präziser Sortierung, während institutionelle Anreize und Kontinuität vorbestimmter Kovariaten weiterhin geprüft werden müssen.
Kann ein RDD-Ergebnis auf jedes Unternehmen angewendet werden?
Nicht automatisch. Es schätzt einen Effekt für Einheiten nahe dem Schwellenwert; eine Extrapolation auf entfernte Einheiten erfordert zusätzliche Evidenz.