📈 economics

Inference in Regression Discontinuity Designs with Clustered Data

Cet article propose un cadre théorique général pour les designs de régression discontinue avec données groupées, démontrant que les erreurs-types standards peuvent être incohérentes ou excessivement conservatrices, et introduit un nouvel estimateur de variance de type « plus proche voisin » pour y remédier.

Auteurs originaux : Claudia Noack, Tomasz Olma, Christoph Rothe

Publié 2026-03-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Claudia Noack, Tomasz Olma, Christoph Rothe

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

🕵️‍♂️ Le Détective et les Grappes de Raisins : Comprendre les "Seuils" dans un Monde Groupé

Imaginez que vous êtes un détective cherchant à comprendre l'effet d'un événement précis sur la vie des gens. Par exemple : "Est-ce que gagner une élection avec 50,1 % des voix change vraiment la carrière d'un candidat par rapport à celui qui en a 49,9 % ?"

En statistiques, on appelle cela un Design de Discontinuité de Régression (RD). C'est comme regarder une ligne de démarcation (le seuil) et comparer ceux qui sont juste d'un côté à ceux qui sont juste de l'autre. C'est une méthode très puissante, un peu comme un laboratoire naturel.

Mais voici le problème que rencontrent Claudia Noack, Tomasz Olma et Christoph Rothe dans ce papier : La réalité est rarement simple.

1. Le Problème : Les Grappes (Clusters)

Dans la vraie vie, les données ne sont pas des individus isolés qui flottent dans le vide. Elles sont groupées, comme des grappes de raisins.

Les élèves sont dans des classes.
Les patients sont dans des hôpitaux.
Les villages sont dans des régions.

Si vous étudiez l'effet d'une politique sur des élèves, les élèves d'une même classe se ressemblent beaucoup (même prof, même ambiance). Ils ne sont pas indépendants les uns des autres. C'est ce qu'on appelle des données groupées (clustered data).

Le problème, c'est que les détectives (les chercheurs) utilisaient souvent des outils conçus pour des individus isolés. Quand ils appliquaient ces outils à des grappes, ils se trompaient soit en étant trop confiants (ils pensaient avoir trouvé un effet alors que c'était juste du bruit), soit en étant trop prudents (ils ne voyaient pas d'effet alors qu'il y en avait un).

2. La Solution des Auteurs : Une Nouvelle Règle du Jeu

Ces chercheurs ont écrit un manuel d'instructions pour les détectives qui travaillent avec des grappes. Ils ont fait deux choses principales :

A. Ils ont prouvé que la méthode fonctionne (Théorie)
Ils ont montré mathématiquement que l'on peut toujours utiliser la méthode du "seuil" (RD) même avec des grappes, à condition de respecter certaines règles sur la taille des grappes.

L'analogie : Imaginez que vous essayez de goûter un vin. Si vous avez un seul grand tonneau (une grosse grappe), c'est difficile de savoir si le goût vient du vin ou du tonneau. Mais si vous avez beaucoup de petits tonneaux, vous pouvez comparer les goûts. Les auteurs disent : "Si vous avez assez de grappes et qu'elles ne sont pas trop énormes, vous pouvez faire confiance à vos résultats."

B. Ils ont inventé un nouveau mètre-ruban (La Méthode CNN)
C'est la partie la plus inventive. Pour mesurer la fiabilité de leurs résultats (l'erreur-type), ils ont dû créer un nouvel outil.

L'ancienne méthode (La méthode naïve) : C'était comme essayer de comparer un raisin avec son voisin immédiat dans la même grappe. Problème : comme ils sont dans la même grappe, ils se ressemblent trop ! C'est comme comparer deux jumeaux pour voir si l'un est plus grand que l'autre à cause de l'alimentation. Ça ne marche pas bien.
La nouvelle méthode (CNN - Clustered Nearest-Neighbors) : Les auteurs ont dit : "Pour comparer un raisin, ne regardez pas son voisin dans la même grappe. Regardez le raisin le plus proche, mais qui se trouve dans une autre grappe !"
- L'image : Si vous voulez savoir si un élève d'une classe A a de bonnes notes à cause d'un nouveau prof, ne comparez-le pas avec un autre élève de la classe A (qui a le même prof). Comparez-le avec l'élève le plus proche en âge et en niveau, mais qui est dans la classe B. Cela permet d'isoler l'effet réel sans être trompé par le fait qu'ils sont dans le même groupe.

3. Pourquoi c'est important ?

Jusqu'à présent, les chercheurs utilisaient des outils "bricolés" pour ces situations, qui donnaient parfois des résultats faux.

Parfois, ils disaient : "C'est statistiquement significatif !" alors que ce n'était pas le cas (fausse alerte).
Parfois, ils disaient : "Rien ne prouve rien" alors qu'il y avait un effet réel (manque de détection).

Grâce à cette nouvelle méthode (CNN), les chercheurs peuvent maintenant :

Savoir exactement quand leurs résultats sont fiables.
Utiliser un outil de mesure (le nouveau mètre-ruban) qui est plus précis et moins biaisé, surtout quand les données sont complexes.

En Résumé

Ce papier est comme un guide de survie pour les chercheurs qui étudient des phénomènes sociaux (politique, économie, santé) où les gens vivent en groupes.

Avant : "On espère que ça marche, mais on a peur de se tromper à cause des groupes."
Après : "Voici les règles exactes pour que ça marche, et voici le nouvel outil de mesure (CNN) qui vous dit exactement à quel point vous pouvez faire confiance à vos conclusions."

C'est une avancée majeure pour rendre les études sociales plus précises, plus justes et plus fiables pour tout le monde.

1. Problématique et Contexte

Les designs de discontinuité de régression (RD) sont largement utilisés en économie et en sciences sociales pour identifier des effets de traitement causaux. La littérature théorique standard suppose généralement que les observations sont indépendantes et identiquement distribuées (i.i.d.). Cependant, dans la pratique empirique, les données sont souvent regroupées en clusters (par exemple, des élèves dans des écoles, des électeurs dans des districts), ce qui introduit une dépendance intra-cluster.

Bien que les chercheurs appliquent couramment des erreurs standards en grappes (clustered standard errors) dans environ 80 % des études RD récentes, la littérature théorique manque de résultats formels pour les estimateurs de régression locale (comme la régression linéaire locale) sous des structures de dépendance complexes. Les défis principaux sont :

L'absence de conditions claires garantissant la normalité asymptotique de l'estimateur RD local avec des clusters de tailles variables ou croissantes.
L'inadéquation des estimateurs de variance standards (basés sur les résidus de régression) qui peuvent être biaisés ou excessivement conservateurs en échantillons finis.
L'inexistence d'une version valide de l'estimateur de variance de type "voisins les plus proches" (nearest-neighbors) adaptée aux données groupées.

2. Méthodologie et Cadre Théorique

Les auteurs proposent un cadre général basé sur un modèle pour les designs RD avec données groupées.

A. Modèle et Estimateur

Données : $G$ clusters indépendants, chacun contenant $n_g$ unités. La variable de running $X_{gi}$ détermine le traitement si elle dépasse un seuil (normalisé à 0).
Estimateur : Ils se concentrent sur l'estimateur RD linéaire local ( $\hat{\tau}(h)$ ), qui est une moyenne pondérée des résultats $Y_{gi}$ , où les poids dépendent de la variable de running, d'une fonction noyau $k$ et d'une bande passante $h$ .
Dépendance : Les erreurs $\varepsilon_{gi}$ peuvent être arbitrairement dépendantes au sein d'un cluster, mais les clusters sont indépendants entre eux.

B. Conditions de Haut Niveau et Cadres Asymptotiques

Pour établir la normalité asymptotique, les auteurs dérivent des conditions de haut niveau sur les poids de l'estimateur, qui se traduisent par des restrictions sur les tailles des clusters dans la fenêtre d'estimation. Ils proposent quatre cadres asymptotiques couvrant divers scénarios empiriques :

Cadres I et II (Petites tailles de clusters effectives) : Le nombre d'unités par cluster dans la fenêtre d'estimation reste petit.
- Cadre I : Distribution conjointe de la variable de running bornée (densité jointe).
- Cadre II : Aucune restriction sur la densité jointe (permettant des réalisations identiques au sein d'un cluster), mais des conditions plus strictes sur la croissance des tailles de clusters.
Cadres III et IV (Grandes tailles de clusters effectives) : Relaxation des conditions sur la croissance des tailles de clusters, au prix d'hypothèses supplémentaires sur la structure de covariance des résidus ou la distribution de la variable de running. Ces cadres permettent des clusters très grands ou des variables de running parfaitement corrélées au sein des clusters.

C. Estimation de la Variance

Les auteurs analysent deux types d'estimateurs de variance :

Erreur standard basée sur les résidus de régression groupés (CRR) : Ils montrent qu'elle est cohérente sous les mêmes conditions que la normalité asymptotique, mais peut être biaisée en échantillons finis.
Problème de l'approche "Naive" Nearest-Neighbors : Une adaptation directe de la méthode des voisins les plus proches (NN) pour les données i.i.d. échoue en présence de clusters car elle ignore la structure de dépendance, conduisant à des estimateurs de covariance biaisés.
Nouvelle proposition : Clustered Nearest-Neighbors (CNN) : Ils proposent un nouvel estimateur de variance qui sélectionne les voisins en tenant compte de la structure de clustering.
- Mécanisme : Pour chaque observation, on définit deux ensembles de "clusters compagnons" disjoints et exclusifs du cluster d'origine. Les voisins sont choisis uniquement parmi ces clusters compagnons.
- Avantage : Cela garantit l'indépendance nécessaire pour obtenir un estimateur asymptotiquement non biaisé sans hypothèses paramétriques fortes.

3. Résultats Principaux

A. Normalité Asymptotique

Sous les conditions de haut niveau (Assomption 1), l'estimateur RD linéaire local est asymptotiquement normal :
$\frac{\hat{\tau}(h) - E[\hat{\tau}(h)|X_n]}{se(h)} \xrightarrow{d} N(0, 1)$
Les auteurs démontrent que les taux de convergence et les choix optimaux de bande passante diffèrent qualitativement des cas i.i.d., en particulier lorsque les tailles de clusters sont grandes ou que la dépendance intra-cluster est forte.

B. Comportement de la Variance

La variance conditionnelle $se^2(h)$ dépend de la structure de covariance intra-cluster ( $\Sigma_g$ ) et de la distribution de la variable de running.

Dans certains cas (densité jointe bornée), la variance est de l'ordre de $O_P((nh)^{-1})$ , similaire au cas i.i.d.
Dans d'autres cas (dépendance forte ou tailles de clusters divergentes), la variance peut converger plus lentement, dépendant de termes comme $\lambda_n = \frac{h}{n} \sum n_g(n_g-1)$ .

C. Cohérence des Estimateurs de Variance

L'estimateur CRR (résidus) est cohérent mais peut être conservateur.
L'estimateur CNN proposé est cohérent ( $\hat{se}^2_{CNN} / se^2 \xrightarrow{p} 1$ ) et corrige le biais de l'approche naïve. Il ne nécessite pas d'hypothèses de continuité sur la fonction de variance conditionnelle, contrairement aux estimateurs NN classiques.

D. Applications Empiriques

Les auteurs appliquent leur méthode à quatre études empiriques couvrant les quatre cadres asymptotiques (ex: fonds de catastrophe au Mexique, élections en France, participation politique aux USA, régulations OSHA).

Résultats : Dans les études avec de grands clusters ou des tailles déséquilibrées, les erreurs standards i.i.d. sont sous-estimées. L'estimateur CNN produit des erreurs standards proches de la méthode CRR mais avec de meilleures propriétés en échantillons finis (moins de biais) lorsque la courbure de la fonction de régression est importante. L'approche naïve NN sous-estime significativement la variance dans certains cas.

4. Contributions Clés

Théorie Asymptotique Unifiée : Première théorie complète pour les estimateurs RD locaux sous des structures de regroupement arbitraires, couvrant des tailles de clusters croissantes et des dépendances complexes.
Nouvel Estimateur de Variance (CNN) : Développement d'un estimateur de type "voisins les plus proches" robuste aux données groupées, résolvant le problème de biais de l'approche naïve.
Cadres Asymptotiques Flexibles : Définition de quatre cadres permettant de classifier les applications empiriques et de guider le choix des inférences en fonction de la structure des données (taille des clusters, densité de la variable de running).
Validation Empirique : Démonstration pratique de l'utilité de la méthode sur des données réelles, fournissant des règles empiriques (règles de pouce) pour vérifier la validité des hypothèses.

5. Signification et Impact

Cet article comble un vide crucial entre la théorie RD et la pratique empirique. Il fournit aux chercheurs les outils théoriques et pratiques nécessaires pour mener des inférences valides dans des contextes de données groupées, qui sont omniprésents mais souvent mal traités par les méthodes standards. La proposition d'un estimateur de variance non paramétrique robuste (CNN) offre une alternative supérieure aux méthodes basées sur les résidus, en particulier pour les petits échantillons ou les designs complexes, renforçant ainsi la fiabilité des conclusions tirées des études RD.