Regressi§2¤ D§4¤c§3¤t§1¤uity Design: Logic §0¤ Limits

Reguła obejmująca jednostki interwencją, gdy zmienna progowa R osiąga punkt odcięcia c, zmienia status interwencji na granicy dla jednostek o niemal identycznym R

Jeśli obserwowane i nieobserwowane cechy zmieniają się płynnie w pobliżu c, podczas gdy tylko interwencja skacze, jednostki po obu stronach tworzą lokalne porównania

RDD wymaga zewnętrznie określonego nieciągłego mechanizmu przydziału, a nie jedynie arbitralnej nieliniowej relacji między wynikiem a regresorem

Ciągłość warunkowych średnich potencjalnych wyników leczonych i nieleczonych w c mówi, że wynik nie skoczyłby inaczej na granicy

Zaobserwowaną nieciągłość wyniku można zatem lokalnie przypisać interwencji, jeśli wszystkie inne determinanty wyniku zmieniają się płynnie

Jeśli inny program, stawka podatku, obowiązek ujawnienia lub zachęta zmienia się przy tym samym progu, jeden skok nie może wyodrębnić pojedynczej interwencji

W sharp RDD reguła w pełni przełącza interwencję z zera na jeden, więc skok wyniku jest lokalnym średnim efektem interwencji

W fuzzy RDD punkt odcięcia zmienia tylko prawdopodobieństwo interwencji, dlatego skok wyniku podzielony przez skok prawdopodobieństwa interwencji daje lokalny efekt typu IV

Mały skok pierwszego etapu czyni fuzzy RDD problemem słabego instrumentu z dużą niepewnością i potencjalnie niestandardowym wnioskowaniem

Analitycy często dopasowują osobne lokalne modele liniowe lub wielomiany niskiego rzędu po każdej stronie i szacują różnicę między ich wyrazami wolnymi na granicy

Wąskie pasmo zmniejsza obciążenie postacią funkcyjną, ale traci obserwacje i precyzję; szerokie zyskuje precyzję, zwiększając obciążenie przez odległe dane

Jeden wysokiego rzędu wielomian globalny może destabilizować estymaty granicy i przedziały, dlatego preferowane są metody lokalne i kontrole wrażliwości na pasmo

Jeśli jednostki precyzyjnie dostosowują R, aby się zakwalifikować, ukryte cechy mogą przestać być ciągłe po obu stronach punktu odcięcia, a lokalne porównanie się załamuje

Diagnozuj nietypowe skoki gęstości, nieciągłości w predeterminowanych kowariatach i brakujące obserwacje, pamiętając, że brak odrzucenia nie dowodzi poprawności

Zaokrąglona lub dyskretna zmienna R może mieć zbyt mało punktów podparcia w pobliżu c dla przybliżeń ciągłych i standardowego wnioskowania, dlatego pokaż jej wsparcie jawnie

Reguły włączania do indeksu, przedziały kapitału regulacyjnego, progi scoringu kredytowego, obowiązki ujawnień zależne od rozmiaru i progi kowenantów mogą tworzyć kandydackie projekty

Rankingi względne, ogłoszone kryteria i swoboda w raportowanych wartościach księgowych zwiększają obawy dotyczące precyzyjnej manipulacji i reakcji równowagi

Jeśli przekroczenie progu zmienia jednocześnie płynność, monitoring, przepływy i regulację, estymata jest efektem tego pakietu, a nie jednej ścieżki

RDD może zapewnić silną trafność wewnętrzną na granicy, ale nie uogólnia się automatycznie na odległe firmy ani inny reżim rynkowy

Łączenie wielu punktów odcięcia lub okresów wymaga dodatkowych założeń, że interwencja, znaczenie zmiennej progowej, poziom cen i uczestnicy pozostają porównywalni

Jeśli polityka potrzebuje efektu dla całej populacji, uzupełnij lokalną estymatę osobnymi dowodami lub strukturą wspierającą trafność zewnętrzną

Pokaż surowe wyniki w przedziałach bez nadmiernego ukrywania, osobne dopasowania po obu stronach, liczbę obserwacji i wsparcie zmiennej progowej

Raportuj estymaty dla różnych szerokości pasma, rzędów wielomianu, jąder, wnioskowania skorygowanego o obciążenie, wyłączeń donut i wyborów kowariatów

Opisz regułę przydziału, równoczesne progi, możliwości manipulacji, pierwszy etap sharp lub fuzzy oraz lokalną populację, którą reprezentuje wynik