Desenho de regressão descontínua: lógica e limites
Entenda a atribuição por corte, a continuidade, RDD nítida e difusa, a regressão linear local, a escolha da largura de banda, os diagnósticos de manipulação e as aplicações financeiras de limiares.
Resposta direta
O desenho de regressão descontínua usa uma regra que muda descontinuamente a probabilidade de tratamento quando uma variável de execução, como uma pontuação, tamanho ou razão, cruza um corte conhecido. Se os resultados potenciais sem tratamento forem contínuos nesse corte e as unidades não puderem manipular precisamente sua pontuação, o salto do resultado logo acima em comparação com logo abaixo pode identificar um efeito causal local. O resultado se aplica às unidades próximas do corte e pode ser sensível à largura de banda, à forma funcional e a outras regras que mudam no mesmo limiar
Uma regra de atribuição cria a comparação
Uma regra que trata unidades quando a variável de execução R alcança o corte c muda o status de tratamento no limite para unidades com R quase idêntico
Se características observadas e não observadas se movem suavemente perto de c enquanto apenas o tratamento salta, as unidades de cada lado formam comparações locais
RDD exige um mecanismo de atribuição descontínuo definido externamente, não apenas uma relação não linear arbitrária entre um resultado e um regressor
A continuidade conecta o contrafactual
A continuidade das médias condicionais dos resultados potenciais tratados e não tratados em c diz que o resultado não sofreria outro salto no limite
A descontinuidade observada do resultado pode, portanto, ser atribuída localmente ao tratamento se todos os demais determinantes do resultado evoluírem suavemente
Se outro programa, alíquota tributária, obrigação de divulgação ou incentivo mudar no mesmo corte, um salto não consegue isolar um único tratamento
Desenhos nítidos e difusos identificam efeitos diferentes
Em uma RDD nítida, a regra muda completamente o tratamento de zero para um, fazendo do salto do resultado um efeito médio local do tratamento
Em uma RDD difusa, o corte muda apenas a probabilidade de tratamento, então o salto do resultado dividido pelo salto na probabilidade de tratamento fornece um efeito local do tipo variável instrumental
Um pequeno salto no primeiro estágio torna a RDD difusa um problema de instrumento fraco, com grande incerteza e inferência potencialmente não padrão
O ajuste local exige uma escolha de largura de banda
Analistas normalmente ajustam regressões lineares locais ou polinômios de baixa ordem separados em cada lado e estimam a diferença entre seus interceptos no limite
Uma largura de banda estreita reduz o viés da forma funcional, mas perde observações e precisão; uma larga ganha precisão enquanto aumenta o viés de dados distantes
Um único polinômio global de alta ordem pode tornar instáveis as estimativas e os intervalos no limite, favorecendo métodos locais e verificações de sensibilidade à largura de banda
Manipulação e classificação ameaçam a identificação
Se as unidades ajustarem R precisamente para se qualificar, as características latentes podem deixar de ser contínuas no corte e a comparação local se desfaz
Diagnostique saltos incomuns na densidade, descontinuidades em covariadas predeterminadas e observações ausentes, reconhecendo que uma não rejeição não prova validade
Uma R arredondada ou discreta pode ter poucos pontos de suporte perto de c para aproximações contínuas e inferência padrão, então mostre seu suporte explicitamente
Decomponha limiares financeiros e contábeis
Regras de inclusão em índices, faixas de capital regulatório, cortes de pontuação de crédito, obrigações de divulgação baseadas em tamanho e limiares de covenants podem criar desenhos candidatos
Classificações relativas, critérios anunciados e discricionariedade sobre valores contábeis reportados aumentam as preocupações com manipulação precisa e resposta de equilíbrio
Se cruzar um limiar mudar simultaneamente liquidez, monitoramento, fluxos e regulação, a estimativa é o efeito desse conjunto, não de uma única via
O efeito é local ao corte
RDD pode oferecer forte validade interna no limite, mas não se generaliza automaticamente para empresas distantes ou outro regime de mercado
Agrupar múltiplos cortes ou períodos exige premissas adicionais de que tratamento, significado da variável de execução, nível de preços e participantes permanecem comparáveis
Se a política exige um efeito para toda a população, complemente a estimativa local com evidência separada ou uma estrutura que sustente a validade externa
Relate gráficos e sensibilidade em conjunto
Mostre resultados brutos agrupados sem ocultação excessiva, ajustes separados nos dois lados, contagens de observações e o suporte da variável de execução
Relate estimativas em várias larguras de banda, ordens polinomiais, kernels, inferência corrigida por viés, exclusões donut e escolhas de covariadas
Descreva a regra de atribuição, limiares simultâneos, possibilidades de manipulação, primeiro estágio nítido ou difuso e a população local representada
Perguntas frequentes
Qualquer quebra visível em uma linha de regressão é uma RDD?
Não. Uma variável de execução e um corte predeterminados precisam mudar descontinuamente a probabilidade de tratamento antes que o resultado seja examinado
Qual é a diferença entre RDD nítida e difusa?
A atribuição nítida determina completamente o tratamento; a atribuição difusa muda sua probabilidade, exigindo que o salto do resultado seja escalado pelo primeiro estágio
Um teste de densidade não rejeitado prova que não houve manipulação?
Não. Ele diagnostica certos padrões de ordenação precisa, enquanto os incentivos institucionais e a continuidade das covariadas predeterminadas ainda precisam ser avaliados
Um resultado de RDD pode ser aplicado a toda empresa?
Não automaticamente. Ele estima um efeito para unidades próximas do corte, e a extrapolação para unidades distantes exige evidência adicional