[논문 리뷰] The Local Randomization Framework for Regression Discontinuity Designs: A Review and Some Extensions

Zach Branson, Fabrizia Mealli|arXiv (Cornell University)|2018. 10. 05.

Advanced Causal Inference Techniques참고 문헌 56인용 수 4

한 줄 요약

이 논문은 국소 랜덤화 프레임워크를 회귀 중단 설계(RDDs)에 확장하여 표준 국소 완전 랜덤화를 초월한 임의의 할당 메커니즘을 허용함으로써, 절단점 근처에서 치료 할당에 대한 더 유연하고 현실적인 가정을 가능하게 한다. 할당 메커니즘에 기반한 창문 선택 방법과 다양한 메커니즘 하에서의 인과적 추론 기법을 제안하며, 이탈리아의 재정 지원과 대학 중도탈퇴에 관한 흐린 RDD에서 민감도 분석과 정밀도 향상을 입증한다.

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.

연구 동기 및 목표

• 국소 완전 랜덤화 외의 임의의 할당 메커니즘을 수용할 수 있도록 RDD의 국소 랜덤화 프레임워크를 확장하는 것.
• 특정 할당 메커니즘이 가장 타당한 절단점 근처의 창문을 선택하기 위한 방법을 개발하는 것.
• 모델링 가정에 의존하지 않고, 절단점 근처의 할당 메커니즘에 초점을 맞춘 인과적 추론 기법을 제공하는 것.
• 다양한 할당 메커니즘이 표준 접근법에 비해 RDD에서 인과 효과 추정의 정밀도 또는 강건성 향상에 기여할 수 있는지 입증하는 것.
• 실제로 이탈리아의 재정 지원이 대학 중도탈퇴에 미치는 영향을 평가하는 흐린 RDD에 확장된 프레임워크를 적용하는 것.

제안 방법

• 모든 할당 메커니즘(예: 베르누이 시행, 블록 랜덤화 포함)을 허용하는 국소 랜덤화 프레임워크의 일반화를 제안한다. 이 경우 성향 스코어가 변할 수 있다.
• 특정 할당 메커니즘이 가장 타당한 절단점 근처의 창문을 선택하기 위해 랜덤화 검정을 도입한다.
• 선택된 할당 메커니즘 하에서 선택된 창문 내 평균 치료 효과를 추정하는 절차를 개발한다.
• 국소 블록 랜덤화를 사용한 흐린 RDD에 프레임워크를 적용하여, 공변수에 의존하는 성향 스코어를 허용한다.
• 잠재 결과의 파라미터 모델링 없이도 강건성을 유지하기 위해 순열 기반 추론을 사용한다.
• 지역성 가정과 공변수 보정을 투명하고 모델에 의존하지 않는 방식으로 통합함으로써, 연속성 또는 다항식 피팅에 대한 가정에 의존하지 않는다.

실험 결과

연구 질문

• RQ1 국소 랜덤화 프레임워크는 국소 완전 랜덤화를 초월한 할당 메커니즘으로 어떻게 확장될 수 있는가?
• RQ2 특정 할당 메커니즘이 성립하는 절단점 근처의 창문을 선택하기 위한 원칙적인 방법은 무엇인가?
• RQ3 다른 할당 메커니즘이 표준 접근법에 비해 RDD에서 더 정밀하거나 강건한 인과적 추론을 가능하게 할 수 있는가?
• RQ4 복잡한 준수 행동을 보이는 실제 흐린 RDD에서 제안된 프레임워크는 어떻게 성능을 발휘하는가?
• RQ5 모델링 가정 없이도 공변수 보정을 국소 랜덤화에 의미 있게 통합할 수 있는가?

주요 결과

• 확장된 국소 랜덤화 프레임워크는 블록 랜덤화와 같은 임의의 할당 메커니즘을 허용하여, 절단점 근처에서 치료 할당을 더 현실적으로 모델링할 수 있다.
• 랜덤화 검정은 특정 할당 메커니즘이 가장 타당한 절단점 근처 창문을 효과적으로 식별할 수 있으며, 이는 추론의 타당성을 향상시킨다.
• 이탈리아 재정 지원 RDD에서 블록 랜덤화 하에 추정한 인과 효과 추정치는 국소 완전 랜덤화에 비해 더 정밀하다.
• 지역성 가정과 함께 공변수 보정을 투명하고 모델에 의존하지 않는 방식으로 통합함으로써, 연속성이나 기능 형태에 대한 가정에 의존하지 않는 명확한 대안을 제공한다.
• 이탈리아 재정 지원 데이터에 대한 적용은 지원이 대학 중도탈퇴율을 유의미하게 감소시킨다는 것을 확인하며, 이는 이전 연구 결과와 일치하지만 민감도와 정밀도가 향상되었다.
• 단일 RDD 내에서 다양한 할당 메커니즘을 가정함으로써 더 풍부한 민감도 분석과 더 세밀한 정책 관련 추론이 가능해진다.