[论文解读] 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 4

一句话总结

本文通过允许任意分配机制（超越标准的局部完全随机化），将回归不连续设计（RDD）中的局部随机化框架进行扩展，从而在截断点附近实现更灵活、更现实的处理分配假设。该研究引入了基于随机化检验的窗口选择方法，并在多种机制下开展因果推断，展示了在意大利金融援助与大学辍学关系的模糊RDD中，敏感性分析和精度的显著提升。

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.

研究动机与目标

• 将RDD中的局部随机化框架扩展至任意分配机制，而不仅限于局部完全随机化。
• 开发一种方法，用于选择在截断点附近特定分配机制最合理的窗口范围。
• 提供不依赖建模假设的因果推断方法，转而聚焦于截断点附近的分配机制。
• 展示不同分配机制在敏感性分析和因果效应估计精度提升方面的实用性。
• 将扩展后的框架应用于真实世界的模糊RDD，评估意大利金融援助对大学辍学的影响。

提出的方法

• 提出对局部随机化框架的一般化，以允许任意分配机制（包括伯努利试验和分块随机化），其中倾向得分可变。
• 引入随机化检验，以识别在截断点附近特定分配机制最合理的窗口范围。
• 开发在选定窗口内基于所选分配机制的平均处理效应估计程序。
• 将该框架应用于使用局部分块随机化的模糊RDD，允许倾向得分依赖协变量。
• 采用置换检验方法，保持稳健性，无需对潜在结果进行参数建模。
• 以透明、无模型的方式结合局部性假设与协变量调整，避免对连续性或多项式拟合的依赖。

实验结果

研究问题

• RQ1 如何将局部随机化框架扩展至超越局部完全随机化的分配机制？
• RQ2 是否存在一种系统性方法，用于选择在截断点附近特定分配机制成立的窗口范围？
• RQ3 与标准方法相比，不同分配机制是否能带来更精确或更稳健的RDD因果推断？
• RQ4 所提出的框架在具有复杂依从行为的真实世界模糊RDD中表现如何？
• RQ5 能否在不依赖建模假设的前提下，有意义地将协变量调整融入局部随机化？

主要发现

• 扩展后的局部随机化框架支持任意分配机制（如分块随机化），使截断点附近的处理分配建模更加现实。
• 随机化检验可有效识别在截断点附近特定分配机制最合理的窗口，提升推断有效性。
• 在意大利金融援助RDD中，基于分块随机化的估计比基于局部完全随机化的估计具有更高的因果效应精度。
• 该方法提供了一种透明、无模型的替代方案，避免了对连续性或函数形式的假设，优于局部线性回归。
• 在意大利金融援助数据上的应用证实，援助显著降低了大学辍学率，结果与先前发现一致，但敏感性与精度均得到增强。
• 在同一RDD中假设不同分配机制，可实现更丰富的敏感性分析，并支持更细致的政策相关推断。