[論文レビュー] The Local Randomization Framework for Regression Discontinuity Designs: A Review and Some Extensions

Zach Branson, Fabrizia Mealli|arXiv (Cornell University)|Oct 5, 2018

Advanced Causal Inference Techniques参考文献 56被引用数 4

ひとこと要約

本稿は、回帰不連続デザイン（RDD）における局所的ランダム化フレームワークを、標準的な局所的完全ランダム化を超えた任意の割り当てメカニズムを許容することで拡張する。これにより、カットオフ付近での治療割り当てに関するより柔軟かつ現実的な仮定が可能になる。ランダム化検定を用いたウインドウ選択と、多様なメカニズム下での因果推論手法を導入し、イタリアの奨学金と大学中退に関する不純なRDDにおいて、感受性分析と精度の向上を実証した。

ABSTRACT

Regression discontinuity designs (RDDs) are a common quasi-experiment in economics and statistics. The most popular methodologies for analyzing RDDs utilize continuity-based assumptions and local polynomial regression, but recent works have developed alternative assumptions based on local randomization. The local randomization framework avoids modeling assumptions by instead placing assumptions on the assignment mechanism near the cutoff. However, most works have focused on completely randomized assignment mechanisms, which posit that propensity scores are equal for all units near the cutoff. In our review of the local randomization framework, we extend the framework to allow for any assignment mechanism, such that propensity scores may differ. We outline randomization tests that can be used to select a window around the cutoff where a particular assignment mechanism is most plausible, as well as methodologies for estimating causal effects after a window and assignment mechanism are chosen. We apply our methodology to a fuzzy RDD assessing the effects of financial aid on college dropout rates in Italy. We find that positing different assignment mechanisms within a single RDD can provide more nuanced sensitivity analyses as well as more precise inferences for causal effects.

研究の動機と目的

• 局所的ランダム化フレームワークを、局所的完全ランダム化に限定されない任意の割り当てメカニズムに拡張すること。
• 特定の割り当てメカニズムが最も妥当であるとされるカットオフ周辺のウインドウを特定するための手法を開発すること。
• モデル化の仮定に依存しない因果推論手法を提供し、カットオフ付近の割り当てメカニズムに焦点を当てる。
• 異なる割り当てメカニズムが、標準的手法と比較して、RDDにおける因果効果推定の感受性分析や精度向上に寄与するかを検証すること。
• 実世界の不純なRDDを用いて、イタリアの大学中退に与える奨学金の影響を評価する拡張フレームワークを適用すること。

提案手法

• 任意の割り当てメカニズム（ベルヌーイ試行やブロックランダマイゼーションなど）を許容する局所的ランダム化フレームワークの一般化を提唱する。ここで感受性スコアが変動してもよい。
• 特定の割り当てメカニズムが最も妥当であるとされるカットオフ周辺のウインドウを同定するためのランダム化検定を導入する。
• 選択された割り当てメカニズムに従って、選択されたウインドウ内での平均処置効果の推定手順を開発する。
• 局所的ブロックランダマイゼーションを用いた不純なRDDへの適用により、共変数依存の感受性スコアを許容する。
• 潜在的アウトカムのパラメトリックモデル化を避けるために、置換に基づく推論を用いることで、ロバストネスを維持する。
• 局所性仮定と共変数補正を透明でモデルフリーな方法で統合し、連続性や多項式フィッティングに依存しない。

実験結果

リサーチクエスチョン

• RQ1 局所的ランダム化フレームワークは、局所的完全ランダム化を超える割り当てメカニズムにどのように拡張可能か？
• RQ2 特定の割り当てメカニズムが成立するとされるカットオフ周辺のウインドウを、原則的かつ体系的に選択する方法は何か？
• RQ3 標準的手法と比較して、異なる割り当てメカニズムがRDDにおけるより精密またはロバストな因果推論を可能にするか？
• RQ4 本稿で提示されたフレームワークは、複雑なコンプライアンス行動を示す実世界の不純なRDDにおいて、どのように機能するか？
• RQ5 モデル化の仮定に依存せずに、共変数補正を局所的ランダム化に意味的に統合できるか？

主な発見

• 拡張された局所的ランダム化フレームワークにより、ブロックランダマイゼーションなどの任意の割り当てメカニズムを許容し、カットオフ付近での治療割り当てのより現実的なモデル化が可能になった。
• ランダム化検定を用いることで、特定の割り当てメカニズムが最も妥当であるとされるカットオフ周辺のウインドウを効果的に同定でき、推論の妥当性が向上した。
• イタリアの奨学金RDDにおいて、ブロックランダマイゼーションに基づく推定は、局所的完全ランダム化に基づく推定よりもより精密な因果効果推定をもたらした。
• 局所線形回帰に依存する仮定を避ける透明でモデルフリーな代替手法を提供し、連続性や関数形に関する仮定を排除した。
• イタリアの奨学金データへの応用により、支援が大学中退率を有意に低減することが確認された。これは先行研究の結果と整合的であるが、感受性分析と精度の両方が向上した。
• 1つのRDD内で異なる割り当てメカニズムを想定することで、より洗練された感受性分析と、政策的意義のあるより洗練された推論が可能になった。