Placebo Discontinuity Design

Résumé Technique : Conception de la Discontinuité de Placebo (Placebo Discontinuity Design)

1. Le Problème
La conception standard de la Régression sur Discontinuité (RDD) repose sur l'hypothèse d'identification selon laquelle les résultats potentiels attendus sont continus à la coupure. Cette hypothèse garantit que les unités juste au-dessus et juste en dessous du seuil sont comparables en l'absence de traitement. Cependant, cette continuité peut être violée lorsque la variable de forçage est sujette à une manipulation stratégique ou à un tri par des agents conscients de la coupure (par exemple, des administrateurs scolaires manipulant les inscriptions pour déclencher des réductions de taille de classe, ou des médecins manipulant les rapports de poids de naissance pour déclencher des interventions médicales).

Lorsque de telles manipulations se produisent, la distribution conditionnelle des facteurs de confusion inobservés étant donnée la variable de forçage devient discontinue à la coupure. Par conséquent, les estimateurs RDD standards deviennent biaisés car la discontinuité dans le résultat reflète à la fois l'effet du traitement et la discontinuité de la confusion inobservée. Bien que la littérature existante utilise des variables de placebo (résultats ou covariables qui ne devraient pas être affectés par le traitement) comme outils de diagnostic pour détecter de telles violations, les méthodes actuelles n'offrent aucune voie pour recouvrer l'effet du traitement une fois qu'une violation est détectée.

2. Méthodologie et Stratégie d'Identification
Les auteurs proposent une nouvelle stratégie d'identification, nommée « Conception de Discontinuité de Placebo » (PDD), qui exploite un traitement de placebo ($Z$) et un résultat de placebo ($W$) pour corriger la confusion inobservée et recouvrer l'effet causal même lorsque l'hypothèse de continuité standard échoue.

• Modèle Structurel : Le papier modélise le résultat $Y$ comme une fonction du traitement $A$, de la variable de forçage $D$, du facteur de confusion inobservé $U$ et du bruit idiosyncrasique $\eta_y$. Crucialement, les auteurs permettent à la densité de $U$ étant donnée $D$ d'être discontinue à la coupure $d^*$.

• Hypothèses Clés :

  • Continuité Conditionnelle : Bien que les résultats potentiels puissent être discontinus en $D$ de manière marginale, ils sont supposés être continus conditionnellement au facteur de confusion inobservé $U$. C'est-à-dire que $E[Y(a, D, U, \eta_y) | D=d, U=u]$ est continu en $d$ pour un $u$ fixé.
  • Variables de Placebo :
    • Traitement de Placebo ($Z$) : Une variable qui affecte la variable de forçage $D$ (et donc le traitement $A$) mais est indépendante du facteur de confusion inobservé $U$ et du résultat $Y$ conditionnellement à $D$ et $U$.
    • Résultat de Placebo ($W$) : Une variable qui est un proxy pour le facteur de confusion inobservé $U$ mais qui n'est pas directement causée par le traitement $A$, la variable de forçage $D$, ou le traitement de placebo $Z$.
  • Pont de Confusion (Confounding Bridge) : Les auteurs supposent l'existence d'une fonction de pont de confusion $h$ telle que l'espérance conditionnelle du résultat étant donnée $D$ et $U$ peut être exprimée comme une intégrale de $h$ par rapport à la distribution du résultat de placebo $W$ étant donnée $D$ et $U$.
  • Complétude : Une condition de rang assurant que la solution de l'équation intégrale est unique, permettant l'identification ponctuelle.

• Résultat d'Identification : Sous ces hypothèses, l'effet du traitement $\tau_0$ est identifié comme la différence entre la limite à droite et la limite à gauche ajustée du résultat, où l'ajustement est dérivé de la discontinuité du résultat de placebo pondérée par un coefficient de variable instrumentale locale. Spécifiquement, l'estimateur se décompose en un terme RDD standard moins un terme d'ajustement basé sur la discontinuité du résultat de placebo pondéré par un coefficient de régression de variable instrumentale locale.

3. Estimation
Le papier propose un estimateur de Variable Instrumentale Locale (LIV) pour opérationnaliser la stratégie d'identification.

• Approche : Les auteurs approximent la fonction de pont de confusion en utilisant une spécification partiellement linéaire. Ils estiment les paramètres en utilisant un cadre de régression linéaire locale étendu pour inclure les variables instrumentales.
• Décomposition : L'estimateur résultant est numériquement équivalent à :
  $$\hat{\tau}_{pdd} = \hat{\tau}^y_{rdd} - (\hat{\tau}^w_{rdd})^\top \hat{\gamma}_-$$
  où $\hat{\tau}^y_{rdd}$ est l'estimation RDD standard pour le résultat cible, $\hat{\tau}^w_{rdd}$ est l'estimation RDD pour le résultat de placebo, et $\hat{\gamma}_-$ est un vecteur de poids dérivé d'une régression IV locale du résultat cible résidualisé sur le résultat de placebo résidualisé (instrumenté par $Z$) en dessous de la coupure.
• Interprétation : Si le résultat de placebo ne présente aucune discontinuité ($\hat{\tau}^w_{rdd} \approx 0$), le terme d'ajustement s'annule, et l'estimateur se réduit à la RDD standard. Si une discontinuité existe, l'estimateur l'utilise pour corriger le biais dans le résultat cible.

4. Résultats Théoriques

• Consistance : Les auteurs établissent que l'estimateur LIV est consistant pour l'effet du traitement sous l'hypothèse que le pont de confusion est partiellement linéaire (ou bien approximé par celui-ci).
• Normalité Asymptotique et Correction de Biais : Suivant le cadre de Calonico et al. (2014), le papier dérive le biais asymptotique de l'estimateur naïf lors de l'utilisation de largeurs de bande (bandwidths) optimales de l'Erreur Quadratique Moyenne (MSE). Les auteurs proposent une procédure d'inférence robuste avec correction de biais. Ils démontrent qu'après correction du biais, l'estimateur est asymptotiquement normal au taux $n^{-2/5}$, permettant la construction d'intervalles de confiance et de tests d'hypothèse valides.

5. Contributions Clés et Signification

• Du Diagnostic à la Correction : La principale contribution est de déplacer le rôle des variables de placebo dans la RDD, de simples outils de diagnostic (pour détecter l'invalidité) vers des mécanismes de correction actifs (pour recouvrer la validité).
• Identification Ponctuelle sous Manipulation : Contra�iment aux approches précédentes qui ne fournissent que des bornes sur l'effet du traitement lorsque la variable de forçage est manipulée (par exemple, Gerard et al., 2020), ce papier fournit des conditions pour l'identification ponctuelle de l'effet du traitement en présence de comportement stratégique.
• Recouvrement Nonparamétrique : La méthode recouvre l'effet du traitement RDD de manière nonparamétrique, évitant ainsi le besoin de fortes hypothèses paramétriques sur la fonction de production ou la distribution des inobservés requises par d'autres méthodes (par exemple, Garicano et al., 2016).
• Mise en Œuvre Pratique : L'estimateur proposé se décompose en des composantes RDD familières et un ajustement pondéré, ce qui le rend calculablement traitable et interprétable pour les chercheurs empiriques. Il évite la « malédiction de la dimensionnalité » souvent associée à l'estimation nonparamétrique impliquant plusieurs covariables en utilisant une approximation partiellement linéaire.

6. Revendications et Limites
Les auteurs prétendent modestement fournir un nouveau résultat d'identification et une nouvelle variation de l'estimateur de régression linéaire locale de la RDD. Ils reconnaissent que les hypothèses structurelles (spécifiquement l'existence du pont de confusion et la condition de complétude) sont généralement invérifiables, tout comme les hypothèses IV standard. La méthode repose sur la disponibilité de variables de placebo valides qui satisfont des restrictions spécifiques d'exclusion et d'indépendance. Le papier ne prétend pas résoudre toutes les formes d'invalidité de la RDD, mais cible spécifiquement les contextes où la manipulation stratégique entraîne des discontinuités dans les facteurs de confusion inobservés, un problème courant dans les applications de sciences sociales impliquant des prestations gouvernementales ou des programmes sociaux. Des travaux futurs sont suggérés pour explorer l'inférence sensible au biais et le comportement de l'estimateur avec des proxies faibles.