Todas las guías de opciones
Un experimento local a ambos lados de un umbral18 min de lectura
Diseño de regresión discontinua: lógica y límites
Comprende asignación por umbral, continuidad, RDD sharp y fuzzy, regresión local, ancho de banda, diagnóstico de manipulación y aplicaciones financieras.
Preparado por Mark · Fuentes principales al final
Respuesta directa
El diseño de regresión discontinua usa una regla que cambia bruscamente la probabilidad de tratamiento cuando una variable de asignación, como puntuación, tamaño o ratio, cruza un umbral conocido. Si los resultados potenciales sin tratar son continuos allí y las unidades no manipulan con precisión su valor, el salto justo por encima frente a debajo identifica un efecto causal local. El resultado corresponde a unidades cercanas al umbral y es sensible al ancho de banda, la forma funcional y otras reglas que cambien simultáneamente.
Una regla de asignación crea la comparación
Una regla que trata cuando R alcanza c cambia el estado en la frontera para unidades con valores de R casi idénticos.
Si características observadas y ocultas evolucionan suavemente cerca de c y solo salta el tratamiento, ambos lados son comparadores locales.
RDD necesita un mecanismo de asignación discontinuo definido externamente, no una relación no lineal arbitraria con el resultado.
La continuidad conecta el contrafactual
La continuidad de las medias de resultados potenciales en c dice que, sin tratamiento, el resultado no saltaría en la frontera.
La discontinuidad observada se atribuye localmente al tratamiento si los demás determinantes evolucionan con suavidad.
Si otro programa, tipo fiscal, deber de divulgación o incentivo cambia en c, un salto no separa un tratamiento individual.
Los diseños sharp y fuzzy identifican efectos distintos
En RDD sharp, la regla cambia completamente el tratamiento de cero a uno y el salto es un efecto medio local.
En RDD fuzzy, el umbral solo altera la probabilidad; dividir el salto del resultado por el primer salto da un efecto IV local.
Una primera etapa pequeña crea un problema de instrumento débil con gran incertidumbre e inferencia posiblemente no estándar.
El ajuste local exige elegir ancho de banda
Se suelen ajustar polinomios locales lineales o de bajo orden por separado y estimar la diferencia de interceptos fronterizos.
Un ancho estrecho reduce sesgo funcional, pero pierde observaciones y precisión; uno amplio gana precisión y sesgo por datos lejanos.
Un polinomio global de orden alto vuelve inestables estimación e intervalo, favoreciendo métodos locales y sensibilidad de ancho.
Manipulación y clasificación amenazan la identificación
Si las unidades ajustan R con precisión para cumplir, sus características latentes pueden dejar de ser continuas entre lados.
Diagnostica saltos de densidad, covariables predeterminadas y ausencias cercanas, sin interpretar ninguna no-rechazo como prueba.
Una R redondeada o discreta puede tener pocos puntos cerca de c para aproximación continua e inferencia normal; muestra su soporte.
Descompón los umbrales financieros y contables
Reglas de índices, bandas de capital, puntuación crediticia, divulgación por tamaño y covenants crean diseños candidatos.
Rankings relativos, criterios anunciados y discreción sobre cifras contables plantean manipulación precisa y respuesta de equilibrio.
Si cruzar cambia a la vez liquidez, vigilancia, flujos y regulación, se estima el efecto del paquete, no de una sola vía.
El efecto es local al umbral
RDD puede aportar gran validez interna en la frontera, pero no generaliza automáticamente a firmas lejanas u otro régimen.
Agrupar varios umbrales o periodos exige comparabilidad adicional del tratamiento, significado de R, precios y participantes.
Si la política busca un efecto poblacional, acompaña la estimación local con evidencia o estructura de validez externa.
Informa juntos gráficos y sensibilidad
Muestra medias por intervalos sin ocultar demasiado los datos, ajustes de ambos lados, observaciones y soporte de R.
Reporta anchos, órdenes, núcleos, inferencia corregida, exclusiones donut y elecciones de covariables.
Describe regla, umbrales simultáneos, manipulación, primera etapa sharp o fuzzy y población local representada.
Preguntas frecuentes
¿Cualquier corte visible en una regresión es RDD?
No. Antes de mirar el resultado debe existir una variable y umbral predeterminados que cambien discontinuamente el tratamiento.
¿Qué diferencia hay entre RDD sharp y fuzzy?
Sharp determina completamente el tratamiento; fuzzy solo cambia su probabilidad y escala el salto por la primera etapa.
¿No rechazar la densidad prueba ausencia de manipulación?
No. Diagnostica ciertas ordenaciones precisas; aún deben estudiarse incentivos institucionales y covariables previas.
¿Puede aplicarse el RDD a todas las empresas?
No automáticamente. Estima un efecto cerca del umbral y extrapolar a unidades lejanas exige evidencia adicional.
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés