[論文レビュー] Donut Regression Discontinuity Designs

Cladia Noack, Chistoph Rothe|arXiv (Cornell University)|Aug 28, 2023

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿は、ドーナツ型レジキューイングディスコンティニュティ（RD）デザインの形式的経済統計枠組みを提供し、標準的な仮定の下で、従来のRD推定量と比較して、このような推定量がより高いバイアスと分散を示すことを示している。妥当なバイアス認識型推論（信頼区間および仕様検定を含む）を導入し、ドーナツ型RDはモデル不適合を検出可能であるが、その代償として効率性と精度が低下することを示している。

ABSTRACT

We study the econometric properties of so-called donut regression discontinuity (RD) designs, a robustness exercise which involves repeating estimation and inference without the data points in some area around the treatment threshold. This approach is often motivated by concerns that possible systematic sorting of units, or similar data issues, in some neighborhood of the treatment threshold might distort estimation and inference of RD treatment effects. We show that donut RD estimators can have substantially larger bias and variance than contentional RD estimators, and that the corresponding confidence intervals can be substantially longer. We also provide a formal testing framework for comparing donut and conventional RD estimation results.

研究の動機と目的

• 広く使われているがヒューリスティックな「ドーナツ型」RDアプローチ（処理閾値に近いデータを除外して頑健性をテストする）を支持する統計理論の欠如に対処すること。
• 標準的なRD仮定の下で、ドーナツ型RD推定量と従来のRD推定量との間のバイアス、分散、および効率性のトレードオフを形式的に分析すること。
• 従来の推定量とドーナツ型推定量の間の依存性を考慮した、妥当な統計的推論手順（特にバイアス認識型信頼区間および仕様検定）をドーナツ型RDデザインに開発すること。
• ドーナツ型フレームワークにおけるRD仮定違反を検出するための新規仕様検定のパワーおよびサイズ特性を評価すること。
• 理論的およびシミュレーションの証拠に基づき、ドーナツ型RDがいつ、なぜ好ましいか、あるいは誤解を招く可能性があるかを実証的指針として提供すること。

提案手法

• 局所線形回帰と三角形カーネルおよび一様カーネルの下で、ドーナツ型RD推定量の漸近的バイアスおよび分散の展開を導出し、バンド幅の10％以内のデータを除外した場合に、バイアスが41–63％、分散が53–61％増加することを示した。
• バイアス認識型信頼区間（Armstrong and Kolesár, 2018; Kolesár and Rothe, 2018）をドーナツ型RD設定に適応し、調整なしに有効であることを証明したが、有効サンプルサイズの減少と分散の増加により、その長さは22–28％増加した。
• 推定量の差に基づく新しい仕様検定を提案した。$ \widehat{\Gamma} $ に基づく検定は、代替仮説の下で従来の $ \widehat{\Delta} $-ベースの検定よりも優れた局所的パワーを示した。
• 除外ウィンドウが標本サイズの増加に伴い収縮する小さなドーナツ型漸近的フレームワークを用い、ドーナツ型デザイン下でのバイアスおよび分散の理論的分析を可能にした。
• $ n = 1,000 $、三角形カーネル、バンド幅 $ h = 0.49 $、除外ウィンドウ $ d = 0.1 $ のシミュレーションスタディを実施し、条件付き期待値のずれ $ L \in \{0,10,\dots,40\} $ のさまざまなレベルで、従来のRDとドーナツ型RDを比較した。
• 提案された推論ツールを実世界の事例に適用した：1500gの出生体重閾値近辺における乳児死亡率。ドーナツ型RDは結論を変える可能性があるが、形式的統計的検証が不可欠であることを示した。

実験結果

リサーチクエスチョン

• RQ1 標準的なRD仮定の下で、ドーナツ型RD推定量のバイアスと分散は、従来のRD推定量と比べてどの程度異なるか？
• RQ2 バイアス認識型信頼区間はドーナツ型RD設定でも有効であるか？ また、従来の信頼区間と比較して長さはどの程度異なるか？
• RQ3 高い相関関係にある従来の推定量とドーナツ型推定量の推定量を比較するための妥当な統計的検定を構築可能か？
• RQ4 提案された仕様検定のパワーは、従来のアプローチと比較して、ドーナツ型RDデザインにおけるモデル不適合を検出する際にどの程度高いか？
• RQ5 理論的およびシミュレーションの証拠に基づき、ドーナツ型RD推定はどのような条件下で従来のRDよりもより正確な推定をもたらすか？

主な発見

• 標準的なRD仮定の下で、バンド幅の10％以内のデータを除外した場合、ドーナツ型RD推定量は従来のRD推定量と比較して41–63％高いバイアス、53–61％高い分散を示した。
• バイアス認識型信頼区間はドーナツ型RD設定でも有効であるが、有効サンプルサイズの減少と分散の増加により、漸近的長さが22–28％増加した。
• シミュレーション設定において、提案された $ \widehat{\Gamma} $ に基づく仕様検定は、代替仮説の下で従来の $ \widehat{\Delta} $-ベースの検定よりも厳密に高いパワーを示した。特に閾値付近での強いずれがある場合に顕著であった。
• すべてのシミュレーションシナリオにおいて、ドーナツ型RD信頼区間の実証的カバレッジは正確であったが、真の条件付き平均が閾値付近で滑らかでない場合、従来の信頼区間のカバレッジは劣化した。
• ドーナツ型推定量の平均二乗誤差（RMSE）は、RD仮定からの極端なずれ（例：$ L = 40 $）が発生する場合にのみ、従来の推定量より小さくなることが示された。これは、ドーナツ型RDが一般に効率的ではないことを示している。
• 1500gの閾値における乳児死亡率の実証的応用では、従来のRD推定量は0.95％（標準誤差0.22％）であったが、ドーナツ型RD推定量は0.16％（標準誤差0.28％）に低下した。これは、差が統計的に意味を持つかどうかを評価するために形式的推論が必要であることを示している。