Regression Discontinuity Design: Logic और Limits
Cutoff assignment, continuity, sharp और fuzzy RDD, local linear regression, bandwidth selection, manipulation diagnostics और financial threshold applications समझें
सीधा जवाब
Regression discontinuity design उस rule का उपयोग करता है जो score, size या ratio जैसे running variable के known cutoff को cross करने पर treatment probability को discontinuously बदलता है। यदि untreated potential outcomes cutoff पर continuous हों और units अपने score को precisely manipulate न कर सकें, तो cutoff के ठीक ऊपर और नीचे outcome jump local causal effect identify कर सकता है। Result cutoff के पास units पर लागू होता है और bandwidth, functional form तथा उसी threshold पर बदलने वाले दूसरे rules के प्रति sensitive हो सकता है
Assignment rule comparison बनाता है
जब running variable R cutoff c तक पहुँचने पर units को treat किया जाता है, तो boundary पर लगभग समान R वाली units का treatment status बदलता है
यदि observed और unobserved characteristics c के पास smoothly move करें और केवल treatment jump करे, तो दोनों ओर की units local comparisons बनती हैं
RDD को externally defined discontinuous assignment mechanism चाहिए, outcome और regressor के बीच arbitrary nonlinear relation पर्याप्त नहीं है
Continuity counterfactual जोड़ती है
At c treated और untreated potential outcomes के conditional means की continuity कहती है कि outcome boundary पर अन्यथा jump नहीं करता
इसलिए यदि बाकी outcome determinants smoothly evolve हों, तो observed outcome discontinuity को locally treatment के लिए attribute किया जा सकता है
यदि कोई दूसरा program, tax rate, disclosure duty या incentive उसी cutoff पर बदलता है, तो एक jump single treatment isolate नहीं कर सकता
Sharp और fuzzy designs अलग effects identify करते हैं
Sharp RDD में rule treatment को zero से one तक पूरी तरह switch करता है, इसलिए outcome jump local average treatment effect देता है
Fuzzy RDD में cutoff केवल treatment probability बदलता है, इसलिए outcome jump को treatment-probability jump से divide करने पर IV-type local effect मिलता है
छोटा first-stage jump fuzzy RDD को weak-instrument problem बना सकता है, जिसमें uncertainty बड़ी और inference nonstandard हो सकती है
Local fitting में bandwidth choice चाहिए
Analysts आम तौर पर दोनों sides पर separate local linear या low-order polynomial fit करके boundary intercepts का difference estimate करते हैं
Narrow bandwidth functional-form bias घटाता है लेकिन observations और precision खोता है; wide bandwidth precision बढ़ाता है और distant data से bias भी
High-order global polynomial boundary estimates और intervals unstable बना सकता है, इसलिए local methods और bandwidth sensitivity checks बेहतर हैं
Manipulation और classification identification को threaten करते हैं
यदि units qualify करने के लिए R को precisely adjust करें, तो latent characteristics cutoff पर continuous नहीं रहेंगी और local comparison टूट जाएगा
Unusual density jumps, predetermined covariates की discontinuities और missing observations diagnose करें; nonrejection validity prove नहीं करती
Rounded या discrete R में c के पास support points बहुत कम हो सकते हैं, इसलिए continuous approximations और standard inference के लिए support दिखाएँ
Financial और accounting thresholds को अलग करें
Index inclusion rules, regulatory capital bands, credit-score cutoffs, size-based disclosure duties और covenant thresholds candidate designs बना सकते हैं
Relative rankings, announced criteria और reported accounting values पर discretion precise manipulation तथा equilibrium-response concerns उठाते हैं
यदि threshold cross करने से liquidity, monitoring, flows और regulation साथ बदलते हैं, तो estimate single pathway नहीं बल्कि उस bundle का effect है
Effect cutoff के लिए local है
RDD boundary पर strong internal validity दे सकता है, लेकिन distant firms या दूसरे market regime तक automatically generalize नहीं होता
Multiple cutoffs या periods pool करने के लिए अतिरिक्त assumptions चाहिए कि treatment, running-variable meaning, price level और participants comparable रहें
Population-wide policy effect चाहिए तो local estimate को external-validity evidence या supporting structure से supplement करें
Graphs और sensitivity साथ report करें
Binned raw outcomes, दोनों sides के separate fits, observation counts और running-variable support दिखाएँ; excessive concealment से बचें
Bandwidths, polynomial orders, kernels, bias-corrected inference, donut exclusions और covariate choices के across estimates report करें
Assignment rule, concurrent thresholds, manipulation possibilities, sharp या fuzzy first stage और represented local population describe करें
आम सवाल
क्या regression line में कोई visible break RDD है?
नहीं। Predetermined running variable और cutoff को outcome देखने से पहले treatment probability discontinuously बदलनी चाहिए
Sharp और fuzzy RDD में क्या अंतर है?
Sharp assignment treatment पूरी तरह determine करती है; fuzzy assignment उसकी probability बदलती है और outcome jump को first stage से scale करना पड़ता है
क्या nonrejected density test manipulation न होने को prove करता है?
नहीं। यह कुछ precise sorting patterns diagnose करता है; institutional incentives और predetermined-covariate continuity भी assess करें
क्या RDD result हर firm पर लागू किया जा सकता है?
Automatically नहीं। यह cutoff के पास units का effect estimate करता है; distant units के लिए extrapolation को अतिरिक्त evidence चाहिए