📈 economics

rd2d: Causal Inference in Boundary Discontinuity Designs

Cet article présente \pkg{rd2d}, un package logiciel complet pour R, Python et Stata qui implémente l'estimation et l'inférence par polynômes locaux pour les designs de discontinuité aux seuils, offrant des fonctionnalités telles que la sélection automatique de la fenêtre de lissage, la correction robuste du biais et l'inférence robuste aux regroupements, lesquelles sont illustrées par une application empirique aux Opportunity Zones.

Auteurs originaux : Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

Publié 2026-05-29

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de déterminer si une nouvelle politique aide réellement les gens. Dans le monde des statistiques, les chercheurs utilisent souvent une astuce ingénieuse appelée conception de « discontinuité de régression » (RD). Imaginez cela comme un bord de falaise.

Dans une conception RD standard, imaginez une seule ligne sur une carte. Si vous habitez juste à gauche de la ligne, vous obtenez une bourse (Traitement). Si vous habitez juste à droite, vous n'en obtenez pas (Témoin). Parce que les personnes vivant juste à côté de la ligne sont presque identiques à tous égards, sauf du côté de la ligne où elles se trouvent, vous pouvez les comparer pour voir si la bourse fonctionne réellement.

Le Problème : Le Monde est en 2D, pas en 1D
L'article rd2d: Causal Inference in Boundary Discontinuity Designs souligne que la vie réelle n'est pas seulement une ligne unique ; c'est toute une carte. Parfois, l'éligibilité à un programme dépend de deux choses à la fois.

Par exemple, pour être éligible à une « Zone d'Opportunité » (une réduction d'impôt pour les zones pauvres), un quartier doit être :

Assez pauvre (Revenu faible), ET
Avoir un taux de pauvreté suffisamment élevé.

Cela crée une frontière qui ressemble à une forme de « L » sur une carte, et non à une ligne droite. Cela s'appelle une conception de Discontinuité de Frontière (BD). Le défi est le suivant : comment comparer les quartiers qui se trouvent juste à côté de cette étrange ligne en forme de « L » en deux dimensions ?

La Solution : Le Logiciel rd2d
Les auteurs (Cattaneo, Titiunik et Yu) ont créé un nouvel outil logiciel appelé rd2d (disponible pour R, Python et Stata) pour résoudre ce casse-tête mathématique. Ils proposent deux façons principales d'examiner les données, comme deux paires de lunettes différentes :

1. Les Lunettes « Localisation » (L'Approche Directe)

Cette méthode examine la carte exactement telle qu'elle est. Elle traite le score de pauvreté et le score de revenu du quartier comme deux coordonnées distinctes (comme la latitude et la longitude).

Comment cela fonctionne : Elle dessine un petit cercle autour de chaque point sur cette frontière en forme de « L » et compare les personnes à l'intérieur du cercle du côté « Traitement » à celles du côté « Témoin ».
Pourquoi c'est bien : Elle utilise toutes les informations disponibles. C'est comme regarder une photo haute résolution où l'on peut voir chaque détail du terrain.
L'Inconvénient : Elle est lourde en calculs car elle doit effectuer des mathématiques complexes en deux dimensions simultanément.

2. Les Lunettes « Distance » (L'Approche Simplifiée)

Cette méthode simplifie la carte. Au lieu de regarder deux scores, elle demande : « À quelle distance ce quartier se trouve-t-il de la ligne de frontière ? »

Comment cela fonctionne : Elle convertit la carte 2D en une seule ligne. Si vous êtes à 1 mile à l'intérieur de la zone « Traitement », votre score est +1. Si vous êtes à 1 mile à l'extérieur, votre score est -1.
Pourquoi c'est bien : Elle transforme un problème 2D complexe en un problème 1D simple (comme le bord de falaise original). Elle est plus facile à calculer et plus facile à expliquer.
L'Inconvénient : Elle perd certains détails. Si la ligne de frontière a un coin pointu (un « coude »), cette méthode pourrait se tromper, tout comme un GPS qui essaie de conduire une voiture autour d'un virage serré en utilisant uniquement une carte de route droite.

Ce que le Logiciel Fait Réellement
Le package rd2d ne se contente pas de dessiner des images ; il effectue un lourd travail statistique :

Réglage Automatique : Il décide automatiquement de la taille du « verre grossissant » (bande passante) à utiliser. Si le verre est trop petit, l'image est granuleuse (trop de bruit). S'il est trop grand, vous floutez les détails. Le logiciel trouve la taille parfaite.
Flou vs Net : Parfois, franchir la ligne garantit que vous obtenez le traitement (Net). D'autres fois, franchir la ligne augmente simplement vos chances de l'obtenir (Flou). Le logiciel gère les deux cas.
- Analogie : Une conception « Net » est comme un distributeur automatique : vous mettez la pièce, vous obtenez le soda. Une conception « Flou » est comme un loto : acheter un billet augmente vos chances, mais ne garantit pas la victoire.
Le « Test Drive » des Zones d'Opportunité : Les auteurs ont testé leur logiciel sur un exemple réel : les Zones d'Opportunité.
- Le Contexte : Ils ont examiné si le fait d'être désigné comme Zone d'Opportunité créait réellement des emplois.
- Le Résultat : Ils ont constaté que l'éligibilité augmentait fortement les chances d'obtenir la désignation (le « Premier Étape » a fonctionné). Cependant, en examinant la croissance réelle de l'emploi, le logiciel n'a trouvé aucune preuve significative que les zones créaient des emplois au cours des premières années. L'effet était trop faible pour être distingué du bruit aléatoire.
- La Comparaison : Ils ont effectué l'analyse en utilisant à la fois les méthodes « Localisation » et « Distance ». Les deux méthodes s'accordaient : la politique a fonctionné pour obtenir la désignation, mais les résultats préliminaires sur la croissance de l'emploi étaient non concluants.

Pourquoi Cela Compte
Avant cet article, les chercheurs devaient inventer leurs propres méthodes, souvent incohérentes, pour gérer ces frontières 2D. Certains ignoraient simplement l'un des scores ; d'autres utilisaient des approximations désordonnées.

Le package rd2d fournit une boîte à outils standardisée et rigoureuse. Il permet aux chercheurs de :

Cartographier l'« Effet Moyen de Traitement de Frontière » (BATEC) exact — essentiellement, une carte montrant où la politique fonctionne et où elle ne fonctionne pas.
Résumer cette carte en un seul chiffre (l'effet moyen) ou trouver le scénario « meilleur cas » (l'effet le plus grand).
Faire tout cela avec des intervalles de confiance mathématiquement prouvés, afin que nous sachions si les résultats sont réels ou simplement dus au hasard.

En Résumé
Cet article présente un nouvel outil polyvalent pour mesurer la relation de cause à effet lorsque les règles pour obtenir un traitement dépendent de deux facteurs à la fois. Il offre deux façons d'examiner les données (cartographie 2D directe ou distance 1D simplifiée), fournit des outils automatiques pour gérer les mathématiques, et a été testé avec succès sur les Zones d'Opportunité, révélant que si les zones étaient faciles à obtenir, leur impact précoce sur l'emploi était difficile à prouver.

Résumé technique : rd2d : Inférence causale dans les designs de discontinuité aux frontières

Énoncé du problème

Les designs de discontinuité de régression (RD) constituent un outil standard pour l'inférence causale, reposant généralement sur un score scalaire et un seul seuil. Cependant, de nombreux contextes empiriques impliquent une affectation au traitement déterminée par un score multidimensionnel par rapport à une frontière unidimensionnelle. Ces designs de discontinuité aux frontières (BD), également connus sous le nom de designs RD à scores multiples, incluent les designs RD géographiques et les règles d'éligibilité basées sur plusieurs seuils (par exemple, le taux de pauvreté et le revenu médian).

Bien que la théorie classique du RD scalaire soit bien établie, les designs BD ont historiquement manqué de traitement méthodologique systématique. Les applications empiriques emploient souvent des réductions ad hoc du problème de frontière sans guidance formelle sur :

Quel paramètre causal est estimé.
Comment résumer l'hétérogénéité des effets du traitement le long de la frontière.
Quand l'inférence est valide de manière uniforme à travers plusieurs emplacements de la frontière.

Les approches existantes réduisent souvent le score bivarié à une distance signée univariée, mais la validité de cette réduction dépend fortement de la géométrie de la frontière (par exemple, des ruptures de pente ou des irrégularités), ce qui peut introduire un biais même si les espérances conditionnelles sous-jacentes sont lisses.

Méthodologie

L'article présente rd2d, un package logiciel pour R, Python et Stata qui implémente les développements théoriques récents dans les designs BD. La méthodologie repose sur deux approches principales :

1. Approche basée sur l'emplacement

Cette approche utilise directement le score bivarié $X_i = (X_{1i}, X_{2i})^\top$ .

Estimation : Elle ajuste des régressions polynomiales locales de part et d'autre de la frontière $B$ en utilisant une représentation de régression interagie avec le traitement. Cela permet d'estimer la Courbe de l'Effet Moyen du Traitement aux Frontières (BATEC), $\tau(x)$ , qui capture les effets locaux du traitement à chaque point $x$ sur la frontière.
Inférence : Elle emploie une inférence corrigée du biais de manière robuste (RBC), étendant les travaux de Calonico et al. (2014, 2018, 2020, 2022) aux estimateurs indexés par la frontière. Cela inclut des intervalles de confiance ponctuels et des bandes de confiance uniformes sur la frontière.
Agrégation : Le cadre prend en charge des résumés scalaires de la BATEC, spécifiquement l'Effet Moyen Pondéré du Traitement aux Frontières (WBATE) et le Plus Grand Effet Moyen du Traitement aux Frontières (LBATE).
Designs flous : Pour les contextes avec une adoption imparfaite du traitement, le package estime la forme réduite (ITT), le premier stade (FS) et la BATEC floue (rapport de Wald), ainsi que leurs bandes uniformes et résumés agrégés respectifs.

2. Approche basée sur la distance

Cette approche remplace le score bivarié par une distance signée scalaire à chaque point de la frontière.

Estimation : Elle traite le problème comme un design RD univarié à chaque point de la frontière.
Validité : Les résultats théoriques (Cattaneo et al., 2026b) clarifient que les méthodes basées sur la distance récupèrent les mêmes cibles causales que les méthodes basées sur l'emplacement uniquement sous des conditions géométriques spécifiques. Si la frontière présente des ruptures de pente ou des irrégularités, l'estimande basé sur la distance peut différer de la vraie BATEC en raison d'une moyenne prise sur les ensembles de niveau de la fonction de distance.
Implémentation : Le package permet aux utilisateurs de spécifier des emplacements de ruptures de pente connus ou de les traiter comme inconnus pour ajuster la sélection de la fenêtre glissante et les ordres de correction du biais en conséquence.

Caractéristiques clés de l'implémentation

Ajustement conjoint vs séparé : La méthode par défaut fitmethod = "joint" utilise une régression interagie avec le traitement, ce qui est crucial pour l'inférence robuste aux clusters lorsque les clusters (par exemple, les districts scolaires) s'étendent des deux côtés de la frontière. L'option separate est conservée pour la réplication des conventions antérieures.
Sélection automatique de la fenêtre glissante : Implémente divers sélecteurs (MSE, CER, intégrée, ponctuelle) avec des options pour des fenêtres glissantes séparées ou communes à travers les côtés du traitement et les coordonnées du score.
Ajustement des covariables : Permet d'améliorer l'efficacité en incluant des covariables prédéterminées avec des coefficients communs à travers les côtés du traitement, intégrés à la fois dans l'estimation et la sélection de la fenêtre glissante.
Régularisation : Inclut des garde-fous pour la régularisation de la matrice de covariance (pour l'inférence uniforme), des vérifications des masses ponctuelles et une régularisation du biais faible pour éviter des fenêtres glissantes excessivement grandes.

Application empirique

L'article illustre le package en utilisant le programme Opportunity Zones.

Configuration : L'éligibilité est déterminée par un score bivarié (taux de pauvreté et revenu médian des familles) formant une frontière en forme de L. La désignation est floue (tous les tronçons éligibles ne sont pas désignés).
Résultats :
- Premier stade : Les méthodes basées sur l'emplacement et celles basées sur la distance montrent toutes deux un effet de premier stade fort et statistiquement significatif de l'éligibilité sur la désignation à travers la frontière.
- Forme réduite : L'effet de l'éligibilité sur la croissance précoce des emplois sur le lieu de travail est faible et statistiquement non significatif.
- Effet flou : Par conséquent, la BATEC floue (rapport de Wald) est imprécise et statistiquement non significative. Aucune des deux méthodes ne trouve de preuve d'un effet de traitement significatif sur la croissance de l'emploi.
- Comparaison : Les estimations du premier stade basées sur la distance ont montré légèrement plus de variabilité près de certains emplacements de la frontière par rapport aux estimations basées sur l'emplacement, ce qui est cohérent avec la sensibilité théorique à la géométrie de la frontière.

Contributions clés

Implémentation logicielle : La contribution principale est le package rd2d, qui opérationnalise des résultats théoriques complexes pour les chercheurs appliqués sur trois plateformes statistiques majeures (R, Python, Stata).
Cadre unifié : Il fournit un cadre cohérent pour estimer et inférer des effets causaux dans les designs BD, couvrant les designs nets et flous, l'inférence ponctuelle et uniforme, et les résumés scalaires (WBATE, LBATE).
Clarté méthodologique : En implémentant à la fois les approches basées sur l'emplacement et celles basées sur la distance, le logiciel permet aux chercheurs de diagnostiquer l'impact de la géométrie de la frontière sur leurs estimations. Il met en évidence que, bien que les méthodes basées sur la distance soient plus simples, leur validité dépend davantage de la régularité de la frontière.
Outils d'inférence robustes : Le package implémente des techniques d'inférence avancées, notamment des bandes de confiance uniformes et une estimation de la variance robuste aux clusters, essentielles pour analyser l'hétérogénéité des effets du traitement le long d'une frontière.

Importance et revendications

L'article positionne rd2d comme un outil nécessaire pour la littérature croissante sur les designs RD géographiques et à scores multiples. Il prétend combler un vide où le travail empirique manquait auparavant de guidance formelle sur l'identification des paramètres et la validité de l'inférence.

Les auteurs soulignent que, bien que les méthodes basées sur la distance soient précieuses pour leur simplicité et leur interprétabilité, l'approche basée sur l'emplacement sert de référence principale chaque fois que le score bivarié est disponible, en particulier lorsque la géométrie de la frontière est complexe. Le logiciel est conçu pour faciliter un rapport transparent des effets spécifiques à la frontière, des résumés agrégés et des diagnostics nécessaires (par exemple, fenêtres glissantes, tailles d'échantillon effectives et avertissements de régularisation de la covariance) afin de garantir des conclusions empiriques robustes.

L'article conclut que le package permet aux chercheurs de séparer les effets de forme réduite, de premier stade et flous le long de frontières multidimensionnelles, comme démontré dans l'application des Opportunity Zones, et que la syntaxe et la documentation fournies visent à standardiser le rapport des designs BD dans la recherche empirique.