📈 economics

Distributional Discontinuity Design

Diese Arbeit stellt ein neues Rahmenwerk für distributionelle Diskontinuitäts- und Knick-Designs vor, das kausale Effekte mithilfe der Wasserstein-Distanz zwischen Ergebnisverteilungen quantifiziert und durch eine orthogonale Zerlegung in $L$ -Momente detaillierte Einblicke in Heterogenitätseffekte wie Lage, Streuung und Schiefe ermöglicht.

Ursprüngliche Autoren: Kyle Schindl, Larry Wasserman

Veröffentlicht 2026-02-24

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Kyle Schindl, Larry Wasserman

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die neue Art, Wirkungen zu messen: Nicht nur den Durchschnitt, sondern das ganze Bild

Stellen Sie sich vor, Sie sind ein Richter, der entscheiden muss, ob eine neue Politik (z. B. ein Stipendium oder eine Steuererleichterung) wirklich etwas bewirkt. In der klassischen Statistik schauen Forscher meist nur auf einen einzigen Wert: den Durchschnitt.

Das ist wie beim Bewerten eines Orchesters, bei dem man nur die Lautstärke des gesamten Ensembles misst. Wenn die Geigen leiser werden und die Trompeten lauter, bleibt der Durchschnitt vielleicht gleich. Aber das Orchester hat sich trotzdem verändert! Die klassische Methode würde sagen: „Es hat sich nichts geändert." Die neue Methode dieses Papiers sagt: „Moment mal, da ist etwas passiert!"

1. Das Problem: Der „Durchschnitt" ist ein Lügner

In vielen Studien gibt es eine „Grenze" (eine Schwelle). Zum Beispiel: Wer mehr als 2000 Euro Einkommen hat, bekommt kein Stipendium mehr; wer weniger hat, bekommt eins.

Die alte Methode: Sie vergleichen die Durchschnittseinkommen der Leute knapp unter und knapp über der Grenze. Wenn der Durchschnitt gleich bleibt, denken Sie: „Das Stipendium bringt nichts."
Die Realität: Vielleicht hat das Stipendium dazu geführt, dass die armen Leute (unter der Grenze) zwar im Durchschnitt gleich geblieben sind, aber einige extrem reich geworden sind und andere arm geblieben. Die Verteilung hat sich verzerrt, aber der Durchschnitt lügt.

2. Die Lösung: Der „Wasserstein-Abstand" (Die Müllabfuhr-Analogie)

Die Autoren führen eine neue Messgröße ein, die sie Wasserstein-Abstand nennen. Das klingt kompliziert, ist aber eigentlich sehr intuitiv.

Stellen Sie sich zwei Haufen Sand vor:

Haufen A ist die Verteilung der Leute ohne das Stipendium.
Haufen B ist die Verteilung der Leute mit dem Stipendium.

Der Wasserstein-Abstand fragt: „Wie viel Arbeit (wie viel Energie) muss ich aufwenden, um den Sandhaufen A in den Sandhaufen B zu verwandeln?"

Wenn Sie nur einen kleinen Stein verschieben müssen, ist der Abstand klein (die Wirkung ist gering).
Wenn Sie riesige Sandberge von einer Seite zur anderen schieben müssen, ist der Abstand groß (die Wirkung ist stark).
Der Clou: Es spielt keine Rolle, ob Sie den Sand nur in der Mitte verschieben (Durchschnitt ändert sich) oder ob Sie die Form des Haufens komplett verzerren (die Verteilung ändert sich). Der Abstand erfasst alles.

3. Was uns das verrät: Die „Zerlegung" des Effekts

Das Papier bietet ein geniales Werkzeug, um zu verstehen, was genau passiert ist. Sie können den gesamten „Sandverschiebungs-Aufwand" in verschiedene Kategorien zerlegen, ähnlich wie man ein Musikstück in Bass, Melodie und Rhythmus aufteilt:

Lage (Der Durchschnitt): Hat sich der mittlere Wert verschoben?
Streuung (Die Breite): Sind die Ergebnisse ungleicher geworden? (Einige sehr gut, viele sehr schlecht).
Schiefe (Die Form): Gibt es eine lange „Schwanz" auf einer Seite? (Viele kleine Gewinne, aber ein paar riesige Gewinner).

Die Autoren nennen dies eine Zerlegung in L-Momente. Das erlaubt es Politikern zu sagen: „Das Stipendium hat den Durchschnitt nicht erhöht, aber es hat die Ungleichheit verringert, indem es den unteren Teil der Verteilung angehoben hat." Ohne diese neue Methode würde man das übersehen.

4. Scharfe vs. Verschwommene Grenzen

Manchmal ist die Grenze klar (Scharf): Wer 2000 Euro hat, bekommt nichts.
Manchmal ist sie verschwommen (Verschwommen): Wer 2000 Euro hat, sollte etwas bekommen, aber wegen Bürokratie oder Fehlern bekommen manche nichts oder manche doch etwas.
Die Autoren zeigen, wie man auch in diesen „verschwommenen" Fällen die Sandhaufen korrekt vergleicht, indem sie die Wahrscheinlichkeit berücksichtigen, dass jemand das Stipendium tatsächlich bekommt.

5. Knicke statt Sprünge (Kink Designs)

Manchmal gibt es keinen plötzlichen Sprung, sondern nur einen Knick.

Beispiel: Bis zu 2000 Euro bekommen Sie 100% Förderung. Ab 2000 Euro bekommen Sie nur noch 50%. Der Anstieg der Förderung ist nicht unterbrochen, aber er wird flacher.
Die Autoren haben ihre Methode so erweitert, dass sie nicht nur auf Sprünge, sondern auch auf diese Änderungen der Steigung (Knicke) reagiert. Sie messen, wie schnell sich die Sandhaufen-Form verändert, genau an dem Punkt, wo die Kurve knickt.

Fazit: Warum ist das wichtig?

Stellen Sie sich vor, Sie testen ein neues Medikament.

Die alte Methode sagt: „Der durchschnittliche Blutdruck ist gleich geblieben. Das Medikament wirkt nicht."
Die neue Methode sagt: „Der Durchschnitt ist gleich, aber das Medikament hat bei 50% der Patienten den Druck extrem gesenkt und bei 50% leicht erhöht. Die Verteilung hat sich stark verändert!"

Die Kernaussage des Papiers:
Verlassen Sie sich nicht nur auf den Durchschnitt. Nutzen Sie den Wasserstein-Abstand, um den gesamten „Sandhaufen" zu betrachten. Er zeigt Ihnen nicht nur, ob etwas passiert ist, sondern auch wie es passiert ist – ob es eine gerechte Veränderung war, ob es extreme Gewinner und Verlierer gab, und wie heterogen die Wirkung wirklich ist.

Es ist der Unterschied zwischen einem einfachen Foto (Durchschnitt) und einem 3D-Scan mit Farbkarte (Verteilung), der Ihnen zeigt, wo genau die Veränderungen stattfinden.

1. Problemstellung

Traditionelle Regression-Discontinuity-Designs (RDD) und Regression-Kink-Designs (RKD) konzentrieren sich fast ausschließlich auf die Schätzung von Durchschnittseffekten (Mean Treatment Effects). Dies ist problematisch, da Behandlungseffekte oft heterogen sind und die gesamte Verteilung des Ergebnisses verändern können (z. B. Änderungen in Varianz, Schiefe oder Multimodalität), ohne dass sich der Mittelwert signifikant verschiebt.

Bestehende Ansätze zur Analyse von Verteilungseffekten, wie z. B. Quantilbehandlungseffekte (Quantile Treatment Effects, QTE), haben zwei Hauptnachteile:

Schwierige Interpretation: Die Betrachtung vieler einzelner Quantile ist für die Praxis schwer zu zusammenfassen und zu kommunizieren.
Starke Annahmen: Um Effekte auf individueller Ebene zu interpretieren, wird oft eine starke Rang-Invarianz-Annahme (Rank-Invariance) benötigt, die in der Realität oft nicht haltbar ist.

Das Paper stellt daher die Frage: Wie kann man einen einzigen, skalierbaren und interpretierbaren Maßstab für kausale Effekte definieren, der die gesamte Verschiebung der Ergebnisverteilung an einer Diskontinuität oder einem Knick erfasst, ohne auf Rang-Invarianz angewiesen zu sein?

2. Methodik und Framework

Die Autoren führen das Konzept des Distributional Discontinuity Design (DDD) ein. Der zentrale kausale Schätzer ist die Wasserstein-Distanz (speziell die 2-Wasserstein-Distanz $W_2$ ) zwischen den bedingten Gegenfaktischen Verteilungen der Ergebnisse oberhalb und unterhalb des Schwellenwerts.

Kernkonzepte:

Schätzer $\Psi$ : Definiert als $W_2(P_{1|x_0}, P_{0|x_0})$ , wobei $P_{a|x_0}$ die Verteilung des potenziellen Ergebnisses $Y(a)$ bei der Laufvariablen $X=x_0$ ist.
Interpretation: Die Distanz misst den minimalen „Transportkosten", um die unbehandelte Verteilung in die behandelte zu überführen. Sie erfasst nicht nur Lageunterschiede (Mittelwert), sondern auch Skaleneffekte und Formänderungen.
Identifikation:
- Für scharfe Designs (Sharp RDD): Unter Standardannahmen (Konsistenz, Stetigkeit der Verteilungsfunktionen, Dichte der Laufvariablen) ist $\Psi$ identifiziert als die $L_2$ -Norm der Differenz der bedingten Quantilfunktionen:
  $\Psi = \left( \int_0^1 (Q_1(u) - Q_0(u))^2 du \right)^{1/2}$
- Für unscharfe Designs (Fuzzy RDD): Die Autoren erweitern die Identifikation auf die Subpopulation der „Compliers" (Complier-Wasserstein-Effekt $\Psi_C$ ) unter Verwendung lokaler Wald-Verhältnisse.
- Für Knick-Designs (Kink Designs): Statt einer Distanz wird die Wasserstein-Ableitung ( $\Psi'$ ) am Policy-Knick definiert. Dies beschreibt den instantanen Fluss der Wahrscheinlichkeitsmasse bei einer Änderung der Behandlungsintensität. Auch hier werden neue Identifikationsresultate für unscharfe Kink-Designs hergeleitet.

Schätzung und Inferenz:

Schätzer: Ein Plug-in-Schätzer, der lokale polynomiale Quantilregression (unter Verwendung von Bias-Korrektur und empirischer Bandbreitenwahl nach Chiang et al., 2019) mit numerischer Integration kombiniert.
Asymptotik: Da $\Psi$ ein quadratischer Parameter ist, ändert sich die Konvergenzrate und die Grenzverteilung, wenn der wahre Effekt gegen Null geht (ähnlich wie bei der Schätzung von $\mu^2$ ).
Inferenz:
- Testen der Nullhypothese ( $\Psi=0$ ) erfolgt über die Approximation der Grenzverteilung als Gaußscher Chaos-Prozess (Gaussian Chaos) mittels Monte-Carlo-Simulation oder konservativer Chebyshev-Ungleichungen.
- Konfidenzintervalle werden entweder durch Transformation von uniformen Konfidenzbändern für Quantile oder durch konservative Erweiterungen konstruiert, um die Nicht-Regularität bei Null zu berücksichtigen.

3. Schlüsselbeiträge und Theoretische Ergebnisse

Beziehung zum Durchschnittseffekt:
Es wird gezeigt, dass der Wasserstein-Effekt den absoluten Durchschnittseffekt ( $|\tau|$ ) schwach nach oben abschätzt: $|\tau| \leq \Psi$ .
- Gleichheit gilt genau dann, wenn der Behandlungseffekt rein additiv ist (nur eine Verschiebung des Mittelwerts).
- Die Abweichung ( $\Psi^2 - \tau^2$ ) quantifiziert direkt die Heterogenität des Behandlungseffekts. Dies ermöglicht die Definition eines Heterogenitätsindex $\gamma$ .
Orthogonale Zerlegung in L-Momente:
Ein zentraler theoretischer Beitrag ist die Zerlegung von $\Psi^2$ in eine Summe quadratischer Differenzen von L-Momenten (L-skewness, L-scale, etc.):
$\Psi^2 = \sum_{k=1}^{\infty} (2k-1) (\lambda_k^{(1)} - \lambda_k^{(0)})^2$
Dies erlaubt die Definition eines „Distributional $R^2$ ", der angibt, wie viel der gesamten Verteilungsdistanz durch Lage, Streuung, Schiefe oder höhere Momente erklärt wird. Dies bietet eine neue, robuste Methode zur Dekodierung von Heterogenität.
Richtungsdominanz:
Die Autoren definieren eine Metrik $\rho$ (Wasserstein-Dominanz), die angibt, inwieweit eine Verteilung die andere stochastisch dominiert (positiver vs. negativer Effekt über die Quantile hinweg).
Erweiterung auf Kink-Designs:
Die Arbeit leitet die erste formale Definition und Identifikation von Verteilungseffekten in Regression-Kink-Designs ab, einschließlich der Erweiterung auf unscharfe Zuordnungen (Fuzzy Kink Designs), was eine Lücke in der bestehenden Literatur schließt.

4. Ergebnisse und Anwendungsbeispiele

Die Autoren wenden ihre Methoden auf reale Daten an und vergleichen sie mit traditionellen RDD/RKD-Analysen:

Fallstudie 1: Incumbency Advantage (RDD)
- Daten: US-Haushaltswahlen (Lee, 2008).
- Ergebnis: Der geschätzte Mittelwert-Effekt ( $\hat{\tau} \approx 7,1\%$ ) und der Wasserstein-Effekt ( $\hat{\Psi} \approx 7,5\%$ ) sind sehr ähnlich.
- Interpretation: Die Zerlegung zeigt, dass der Großteil der Distanz durch die Lage (Mittelwert) erklärt wird. Es gibt wenig Heterogenität; der Effekt ist fast überall positiv und additiv.
Fallstudie 2: Intergovernmental Grants (RKD)
- Daten: Schwedische Zuschüsse und lokale Beschäftigung (Lundqvist et al., 2014).
- Ergebnis: Der traditionelle Mittelwert-Effekt ist statistisch nicht signifikant ( $\hat{\tau}' \approx -0,05$ ). Auch der Wasserstein-Ableitungseffekt ist nahe Null.
- Interpretation: Die L-Moment-Zerlegung zeigt jedoch, dass der verbleibende „Abstand" fast vollständig durch höhere Momente (insbesondere $k \geq 4$ ) getrieben wird, nicht durch den Mittelwert. Dies deutet darauf hin, dass der Effekt nicht homogen ist, sondern möglicherweise von wenigen Ausreißer-Gemeinden getrieben wird, die die Mittel extrem effizient oder ineffizient nutzen. Dies wäre in einer reinen Mittelwert-Analyse unsichtbar geblieben.

5. Bedeutung und Fazit

Das Paper bietet einen paradigmatischen Wechsel in der Analyse von RDD und RKD:

Komplementärer Ansatz: Es ersetzt nicht die klassischen Mittelwert-Analysen, sondern ergänzt sie um eine umfassende Verteilungsperspektive.
Robustheit: Die Methode benötigt keine Rang-Invarianz und ist robust gegenüber Ausreißern und schweren Verteilungsenden (dank der Verwendung von L-Momenten).
Praktische Relevanz: Durch die Zerlegung in L-Momente erhalten Praktiker ein Werkzeug, um zu verstehen, warum sich Verteilungen ändern (z. B. „Verändert die Behandlung nur den Durchschnitt oder auch die Ungleichheit/Streuung?").
Zukunftsausblick: Die Autoren sehen Potenzial für die Anwendung in anderen quasi-experimentellen Designs (z. B. Difference-in-Differences) und für multivariate Ergebnisse, wobei die Identifikation dort komplexer sein wird.

Zusammenfassend etabliert das Paper die Wasserstein-Distanz als einen neuen, interpretierbaren und theoretisch fundierten kausalen Schätzer, der die Lücke zwischen reinen Mittelwert-Analysen und schwer interpretierbaren Quantil-Analysen schließt.