Méthode de discontinuité de régression : logique et limites
Comprenez l'affectation au franchissement d'un seuil, la continuité, les RDD sharp et fuzzy, la régression linéaire locale, le choix de bande passante, les diagnostics de manipulation et les applications financières fondées sur des seuils
Réponse directe
La méthode de discontinuité de régression utilise une règle qui modifie de façon discontinue la probabilité de traitement lorsqu'une variable de forçage telle qu'un score, une taille ou un ratio franchit un seuil connu. Si les résultats potentiels non traités sont continus à ce seuil et que les unités ne peuvent pas manipuler précisément leur score, le saut de résultat juste au-dessus par rapport à juste au-dessous peut identifier un effet causal local. Le résultat s'applique aux unités proches du seuil et peut être sensible à la bande passante, à la forme fonctionnelle et à d'autres règles qui changent au même seuil
Une règle d'affectation crée la comparaison
Une règle qui traite les unités lorsque la variable de forçage R atteint le seuil c modifie le statut de traitement à la frontière pour des unités ayant des valeurs de R presque identiques
Si les caractéristiques observées et non observées évoluent progressivement près de c tandis que seul le traitement saute, les unités de chaque côté forment des comparaisons locales
Une RDD exige un mécanisme d'affectation discontinu défini de l'extérieur, et non une simple relation non linéaire arbitraire entre un résultat et un régresseur
La continuité relie le contrefactuel
La continuité des moyennes conditionnelles des résultats potentiels traités et non traités en c signifie que le résultat n'aurait pas autrement changé brusquement à la frontière
La discontinuité observée du résultat peut donc être attribuée localement au traitement si tous les autres déterminants du résultat évoluent progressivement
Si un autre programme, taux d'imposition, obligation de divulgation ou incitation change au même seuil, un seul saut ne peut pas isoler un traitement unique
Les conceptions sharp et fuzzy identifient des effets différents
Dans une RDD sharp, la règle fait complètement passer le traitement de zéro à un, ce qui fait du saut de résultat un effet moyen local du traitement
Dans une RDD fuzzy, le seuil ne modifie que la probabilité de traitement ; le saut du résultat divisé par le saut de probabilité du traitement donne un effet local de type variable instrumentale
Un petit saut de première étape transforme la RDD fuzzy en problème d'instrument faible, avec une forte incertitude et une inférence potentiellement non standard
L'ajustement local exige un choix de bande passante
Les analystes ajustent couramment des régressions linéaires locales séparées ou des polynômes de faible degré de chaque côté et estiment la différence entre leurs ordonnées à l'origine à la frontière
Une bande étroite réduit le biais de forme fonctionnelle mais perd des observations et de la précision ; une bande large gagne en précision tout en augmentant le biais provenant des données éloignées
Un seul polynôme global de degré élevé peut rendre instables les estimations et les intervalles à la frontière, ce qui favorise les méthodes locales et les vérifications de sensibilité à la bande passante
La manipulation et la classification menacent l'identification
Si les unités ajustent précisément R pour être admissibles, les caractéristiques latentes peuvent ne plus être continues de part et d'autre du seuil et la comparaison locale se rompt
Diagnostiquez les sauts inhabituels de densité, les discontinuités des covariables prédéterminées et les observations manquantes, en reconnaissant qu'une absence de rejet ne prouve jamais la validité
Un R arrondi ou discret peut avoir trop peu de points de support près de c pour les approximations continues et l'inférence standard ; montrez donc explicitement son support
Décomposez les seuils financiers et comptables
Les règles d'inclusion dans un indice, les tranches de capital réglementaire, les seuils de score de crédit, les obligations de divulgation liées à la taille et les seuils de covenant peuvent créer des conceptions candidates
Les classements relatifs, les critères annoncés et la latitude dans les valeurs comptables déclarées soulèvent des problèmes de manipulation précise et de réaction d'équilibre
Si le franchissement d'un seuil modifie simultanément la liquidité, le suivi, les flux et la réglementation, l'estimation est l'effet de cet ensemble plutôt que celui d'un seul mécanisme
L'effet est local au seuil
La RDD peut offrir une forte validité interne à la frontière, mais elle ne se généralise pas automatiquement à des entreprises éloignées ou à un autre régime de marché
Regrouper plusieurs seuils ou périodes exige des hypothèses supplémentaires selon lesquelles le traitement, le sens de la variable de forçage, le niveau de prix et les participants restent comparables
Si la politique exige un effet sur toute la population, complétez l'estimation locale par des éléments distincts ou une structure qui soutient la validité externe
Présentez les graphiques et la sensibilité ensemble
Montrez les résultats bruts par tranches sans dissimulation excessive, les ajustements séparés de part et d'autre, le nombre d'observations et le support de la variable de forçage
Présentez les estimations selon plusieurs bandes passantes, degrés de polynôme, noyaux, inférences corrigées du biais, exclusions en donut et choix de covariables
Décrivez la règle d'affectation, les seuils simultanés, les possibilités de manipulation, la première étape sharp ou fuzzy et la population locale représentée
Questions fréquentes
Toute rupture visible dans une droite de régression est-elle une RDD ?
Non. Une variable de forçage et un seuil prédéterminés doivent modifier de façon discontinue la probabilité de traitement avant l'examen du résultat
Quelle est la différence entre une RDD sharp et une RDD fuzzy ?
L'affectation sharp détermine complètement le traitement ; l'affectation fuzzy en modifie la probabilité, si bien que le saut du résultat doit être mis à l'échelle par la première étape
Un test de densité qui ne rejette pas l'hypothèse prouve-t-il l'absence de manipulation ?
Non. Il diagnostique certains schémas de tri précis, tandis que les incitations institutionnelles et la continuité des covariables prédéterminées doivent encore être évaluées
Un résultat de RDD peut-il être appliqué à toutes les entreprises ?
Pas automatiquement. Il estime un effet pour les unités proches du seuil, et l'extrapolation à des unités éloignées exige des éléments supplémentaires