regresjonsdiskontinuitet

Regresjonsdiskontinuitet er en metode i statistikk og økonometrik som brukes for å identifisere kausale effekter når behandlingen blir tildelt basert på en tilfeldig eller bestemt grense i en pågående variabel, kalt utløsningsvariabelen. Ved en viss verdi av denne variabelen (cutoff) får enhetene behandling, mens de som ligger rett under ikke gjør det. Dette skaper et naturlig «grensernitt» hvor observasjoner på hver side kan sammenlignes mens de er relativt like ellers.

Det finnes to hovedvarianter: skarp regresjonsdiskontinuitet og fuzzy regresjonsdiskontinuitet. Ved skarp RD er tildelingen av behandling helt deterministisk ved å overstige cutoff; alle over får behandling og alle under får den ikke. Ved fuzzy RD øker sannsynligheten for behandling ved cutoff, men ikke alle på riktig side følger regelen, slik at effekten må måles som forholdet mellom hoppet i utfaldene og hoppet i behandlingsandelen.

Identifikasjonsforutsetningene er at potensielle utfall er kontinuerlige i utløsningsvariabelen rundt cut-off, og at det ikke er systematisk manipulasjon av variabelen ved grensen. Estimering skjer ofte med lokal polynomregresjon (vanligvis lineær) i en båndbredde rundt cut-off. For skarp RD estimeres den lokale forskjellen i forventede utfall rett ved cut-off; for fuzzy RD brukes en Wald-tilnærming som tar hensyn til hoppet i behandlingsandelen.

Diagnostiske verktøy inkluderer tester for manipulering av utløsningsvariabelen (for eksempel McCrary-test), samt placebo-iterasjoner og sensitivitetsanalyse av båndbreddevalg. Begrensningene inkluderer at konklusjoner er lokale til området rundt cut-off og kan være sensitive for antakelser og utvalgsstørrelse. Regresjonsdiskontinuitet brukes i politikk- og programvurderinger der tildelingskriterier følger en terskel.