[论文解读] Limitless Regression Discontinuity: Causal Inference for a Population Surrounding a Threshold

Adam Sales, Ben B. Hansen|arXiv (Cornell University)|Mar 21, 2014

Advanced Causal Inference Techniques参考文献 26被引用 3

一句话总结

本文提出了一种新颖的回归不连续方法，用残差可忽略性替代传统的单变量临界值，结合MM-估计与样本去污染技术，稳健地调整趋势。该方法在不假设处理分配可忽略的前提下，实现了在临界值附近的有效因果推断，增强了对回归不连续设计中常见有效性威胁的鲁棒性。

ABSTRACT

Conventionally, regression discontinuity analysis contrasts a univariate regression's limits as its independent variable, $R$, approaches a cut-point, $c$, from either side. Alternative methods target the average treatment effect in a small region around $c$, at the cost of an assumption that treatment assignment, $\mathcal{I}\left[R<c ight]$, is ignorable vis a vis potential outcomes. Instead, the method presented in this paper assumes Residual Ignorability, ignorability of treatment assignment vis a vis detrended potential outcomes. Detrending is effected not with ordinary least squares but with MM-estimation, following a distinct phase of sample decontamination. The method's inferences acknowledge uncertainty in both of these adjustments, despite its applicability whether $R$ is discrete or continuous; it is uniquely robust to leading validity threats facing regression discontinuity designs.

研究动机与目标

• 解决传统回归不连续设计依赖临界值附近处理分配可忽略性假设的局限性。
• 通过聚焦残差可忽略性而非处理分配可忽略性，开发一种在更现实假设下保持因果有效性的方法。
• 提升对趋势估计与处理分配中模型误设及异常值的鲁棒性。
• 为去趋势化与处理效应估计提供不确定性量化，增强推断可靠性。
• 在不牺牲方法严谨性的情况下，将适用范围扩展至离散与连续的运行变量。

提出的方法

• 采用MM-估计进行去趋势化，而非普通最小二乘法，提升趋势估计中对异常值的鲁棒性。
• 采用两阶段流程：首先进行样本去污染以识别并降低异常值权重；其次在清理后的样本上应用MM-估计。
• 假设残差可忽略性——处理分配在去趋势化潜在结果条件下是可忽略的，而非原始结果。
• 通过比较运行变量从临界值两侧趋近时去趋势化结果回归的极限，推导因果推断。
• 将去趋势化与处理效应估计两步中的不确定性整合到最终推断中。
• 通过非参数、稳健的估计技术，确保对离散与连续运行变量均保持有效性。

实验结果

研究问题

• RQ1 能否通过用残差可忽略性替代处理分配可忽略性假设，使回归不连续设计中的因果推断更具鲁棒性？
• RQ2 在存在异常值的情况下，MM-估计结合去污染方法相较于OLS在趋势估计中表现如何改善？
• RQ3 在常见回归不连续设计有效性威胁（如操纵或非单调性）下，该方法在多大程度上仍保持有效性？
• RQ4 当去趋势化与处理效应估计均存在估计误差时，如何正确量化不确定性？
• RQ5 当应用于离散运行变量时，该方法是否仍保持有效性与精确性，而传统方法常在此类情况下失效？

主要发现

• 该方法在残差可忽略性假设下实现了有效的因果推断，该假设比处理分配可忽略性更弱且更现实。
• 与OLS相比，MM-估计结合去污染显著降低了趋势估计中的偏差，尤其在误差分布存在污染或重尾时效果更明显。
• 该方法对常见有效性威胁（如处理分配操纵或非单调性）保持鲁棒性。
• 综合考虑去趋势化与处理效应估计中误差的不确定性量化，可获得更可靠的置信区间。
• 该方法适用于离散与连续运行变量，拓展了回归不连续方法的应用范围。
• 实证结果表明，与传统回归不连续估计器相比，该方法在有限样本中实现了更高的覆盖率与更高的精确度。